python - train - ¿Cómo desactivar la deserción para probar en Tensorflow?

tensorflow tutorial pdf

Question

Soy bastante nuevo en Tensorflow y ML en general, por lo que me disculpo por una pregunta (probablemente) trivial.

Utilizo la técnica de abandono para mejorar las tasas de aprendizaje de mi red, y parece que funciona bien. Luego, me gustaría probar la red en algunos datos para ver si funciona así:

 def Ask(self, image):
return self.session.run(self.model, feed_dict = {self.inputPh: image})

Obviamente, produce resultados diferentes cada vez que el abandono todavía está en su lugar. Una solución en la que puedo pensar es crear dos modelos separados, uno para un entrenamiento y otro para un uso real posterior de la red, sin embargo, tal solución me parece poco práctica.

¿Cuál es el enfoque común para resolver este problema?

Answer 1

Con la nueva tf.estimator API usted especifica una función de modelo, que devuelve diferentes modelos, dependiendo de si está entrenando o probando, pero aún le permite reutilizar su código de modelo. En tu función de modelo harías algo similar a:

def model_fn(features, labels, mode):
training = (mode == tf.estimator.ModeKeys.TRAIN)
...
t = tf.layers.dropout(t, rate=0.25, training=training, name=''dropout_1'')
...

El argumento de mode se pasa automáticamente dependiendo de si llama estimator.train(...) o estimator.predict(...) .

Answer 2

La forma más fácil es cambiar el parámetro keep_prob usando un placeholder_with_default :

prob = tf.placeholder_with_default(1.0, shape=())
layer = tf.nn.dropout(layer, prob)

De esta manera, cuando entrenas puedes configurar el parámetro de esta manera:

sess.run(train_step, feed_dict={prob: 0.5})

y cuando se evalúa se usa el valor por defecto de 1.0.

Answer 3

Si no desea utilizar la Estimator API , puede crear el abandono de esta manera:

tf_is_traing_pl = tf.placeholder_with_default(True, shape=())
tf_drop_out = tf.layers.dropout(last_output, rate=0.8, training=tf.is_training_pl)

Entonces, alimenta la sesión con {''tf_is_training'': False} al realizar la evaluación en lugar de cambiar la tasa de abandono.

Answer 4

debe configurar keep_prob en la capa de deserción de tensorflow, es decir, la probabilidad de mantener el peso, creo que establece esa variable con valores entre 0.5 y 0.8. Al probar la red, simplemente debe alimentar keep_prob con 1.

Deberías definir algo así:

keep_prob = tf.placeholder(tf.float32, name=''keep_prob'')
drop = tf.contrib.rnn.DropoutWrapper(layer1, output_keep_prob=keep_prob)

Luego cambia los valores en la sesión:

_ = sess.run(cost, feed_dict={''input'':training_set, ''output'':training_labels, ''keep_prob'':0.8}) # During training
_ = sess.run(cost, feed_dict={''input'':testing_set, ''output'':testing_labels, ''keep_prob'':1.}) # During testing