Другой результат с использованием глубокого обучения в Keras

Я занимаюсь классификацией текста, используя глубокую нейронную сеть в керасе, следуя tutorial, но когда я запускал следующий код несколько раз, я получал разные результаты.

Например, потеря теста в первом прогоне составляет 0,88815, а во втором прогоне — 0,89030, что немного выше. Интересно, откуда берется случайность?

import keras
from keras.datasets import reuters


(x_train, y_train), (x_test, y_test) = reuters.load_data(num_words=None, test_split=0.2)
word_index = reuters.get_word_index(path="reuters_word_index.json")



print('# of Training Samples: {}'.format(len(x_train)))
print('# of Test Samples: {}'.format(len(x_test)))

num_classes = max(y_train) + 1
print('# of Classes: {}'.format(num_classes))

index_to_word = {}
for key, value in word_index.items():
    index_to_word[value] = key

print(' '.join([index_to_word[x] for x in x_train[0]]))
print(y_train[0])


from keras.preprocessing.text import Tokenizer

max_words = 10000

tokenizer = Tokenizer(num_words=max_words)
x_train = tokenizer.sequences_to_matrix(x_train, mode='binary')
x_test = tokenizer.sequences_to_matrix(x_test, mode='binary')

y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)


print(x_train[0])
print(len(x_train[0]))

print(y_train[0])
print(len(y_train[0]))


from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation

model = Sequential()
model.add(Dense(512, input_shape=(max_words,)))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))
model.add(Activation('softmax'))



model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.metrics_names)

batch_size = 32
epochs = 3

history = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_split=0.1)
score = model.evaluate(x_test, y_test, batch_size=batch_size, verbose=1)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

machine-learning keras deep-learning
person jinreal2014    schedule 30.08.2018    source источник

Ответы (4)


arrow_upward
1
arrow_downward

Если вы хотите каждый раз получать один и тот же результат, вам нужно добавить случайное семя. См. также https://machinelearningmastery.com/reproducible-results-neural-networks-keras /.

Это можно сделать, просто добавив:

from numpy.random import seed
seed(42)

И если вы используете бэкэнд Tensorflow, вам также необходимо добавить:

from tensorflow import set_random_seed
set_random_seed(42)

42 — это просто произвольное число, которое вы можете выбрать по своему желанию. Это просто константа для случайного начального числа, так что вы всегда будете получать одни и те же случайные инициализации для своих весов. Это приведет к тем же результатам.

person WurzelseppQX    schedule 30.08.2018

arrow_upward
2
arrow_downward

Это обычное поведение keras. См. это обсуждение в списке проблем репозитория keras на github.

Например, в функции подгонки 9-й аргумент соответствует перетасовке. По умолчанию установлено значение true. Таким образом, в каждую эпоху данные будут перемешиваться перед запуском. Это заставляет значение каждый раз меняться.

Установка случайного семени поможет. Но все же не совсем.

person Gimhani    schedule 30.08.2018

arrow_upward
0
arrow_downward

Как указано в Часто задаваемые вопросы по Keras добавьте следующий код:

import numpy as np
import tensorflow as tf
import random as rn

# The below is necessary in Python 3.2.3 onwards to
# have reproducible behavior for certain hash-based operations.
# See these references for further details:
# https://docs.python.org/3.4/using/cmdline.html#envvar-PYTHONHASHSEED
# https://github.com/keras-team/keras/issues/2280#issuecomment-306959926

import os
os.environ['PYTHONHASHSEED'] = '0'

# The below is necessary for starting Numpy generated random numbers
# in a well-defined initial state.

np.random.seed(42)

# The below is necessary for starting core Python generated random numbers
# in a well-defined state.

rn.seed(12345)

# Force TensorFlow to use single thread.
# Multiple threads are a potential source of
# non-reproducible results.
# For further details, see: https://stackoverflow.com/questions/42022950/which-seeds have-to-be-set-where-to-realize-100-reproducibility-of-training-res

session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, 
inter_op_parallelism_threads=1)

from keras import backend as K

# The below tf.set_random_seed() will make random number generation
# in the TensorFlow backend have a well-defined initial state.
# For further details, see: https://www.tensorflow.org/api_docs/python/tf/set_random_seed

tf.set_random_seed(1234)

sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)

# Rest of code follows ...
person Vikranth    schedule 30.08.2018

arrow_upward
0
arrow_downward

Я не проверяю с графическим процессором, но для процессора кажется, что он не работает с исправлением семени, как указано выше, с Tensorflow 1 в качестве серверной части Keras. Поэтому нам нужно изменить Tensorflow 1 на Tensorflow 2. Тогда заработают исправительные семена. Например, это работает для меня.

import os
import numpy as np
import random as rn
import tensorflow as tf

os.environ['PYTHONHASHSEED']= '0'
np.random.seed(1)
rn.seed(1)
tf.set_random_seed(1)
person Nguyen Trung Ky    schedule 05.04.2021