我在TensorFlow 1.4中使用tf.estimator
并且tf.estimator.train_and_evaluate
很棒,但我需要提前停止。添加它的首选方法是什么?
我假设某处有一些tf.train.SessionRunHook
。我看到有一个带有ValidationMonitor
的旧的contrib包似乎已经提前停止了,但它似乎不再是1.4了。或者将来的首选方式是依靠tf.keras
(早期停止真的很容易)而不是tf.estimator/tf.layers/tf.data
,或许?
答案 0 :(得分:22)
好消息! tf.estimator
现在已经在master上提供了早期停止支持,并且看起来将在1.10中。
estimator = tf.estimator.Estimator(model_fn, model_dir)
os.makedirs(estimator.eval_dir()) # TODO This should not be expected IMO.
early_stopping = tf.contrib.estimator.stop_if_no_decrease_hook(
estimator,
metric_name='loss',
max_steps_without_decrease=1000,
min_steps=100)
tf.estimator.train_and_evaluate(
estimator,
train_spec=tf.estimator.TrainSpec(train_input_fn, hooks=[early_stopping]),
eval_spec=tf.estimator.EvalSpec(eval_input_fn))
答案 1 :(得分:2)
在执行了许多步骤或达到最后一步之后,此挂钩请求停止。只能指定两个选项中的一个。
您还可以根据步骤结果对其进行扩展并实施自己的停止策略。
class MyHook(session_run_hook.SessionRunHook):
...
def after_run(self, run_context, run_values):
if condition:
run_context.request_stop()
答案 2 :(得分:1)
另一个不使用钩子的选项是创建一个tf.contrib.learn.Experiment
(即使在contrib中,它似乎也支持新的tf.estimator.Estimator
)。
然后使用适当定制的continuous_train_and_eval
通过(显然是实验性的)方法[{1}}进行训练。
根据tensorflow文档,continuous_eval_predicate_fn
是
判断每次迭代后是否继续eval的谓词函数。
并使用上次评估运行中的continuous_eval_predicate_fn
进行调用。对于提前停止,使用自定义函数将状态保持为当前最佳结果和计数器,并在达到提前停止条件时返回eval_results
。
注意补充:这种方法将使用弃用的方法w / tensorflow 1.7(从该版本开始不推荐使用tf.contrib.learn:https://www.tensorflow.org/api_docs/python/tf/contrib/learn)
答案 3 :(得分:1)
首先,您必须将损失命名为提前停止呼叫。如果您的损失变量被命名为"损失"在估算器中,行
copyloss = tf.identity(loss, name="loss")
它下面的会起作用。
然后,使用此代码创建一个钩子。
class EarlyStopping(tf.train.SessionRunHook):
def __init__(self,smoothing=.997,tolerance=.03):
self.lowestloss=float("inf")
self.currentsmoothedloss=-1
self.tolerance=tolerance
self.smoothing=smoothing
def before_run(self, run_context):
graph = ops.get_default_graph()
#print(graph)
self.lossop=graph.get_operation_by_name("loss")
#print(self.lossop)
#print(self.lossop.outputs)
self.element = self.lossop.outputs[0]
#print(self.element)
return tf.train.SessionRunArgs([self.element])
def after_run(self, run_context, run_values):
loss=run_values.results[0]
#print("loss "+str(loss))
#print("running average "+str(self.currentsmoothedloss))
#print("")
if(self.currentsmoothedloss<0):
self.currentsmoothedloss=loss*1.5
self.currentsmoothedloss=self.currentsmoothedloss*self.smoothing+loss*(1-self.smoothing)
if(self.currentsmoothedloss<self.lowestloss):
self.lowestloss=self.currentsmoothedloss
if(self.currentsmoothedloss>self.lowestloss+self.tolerance):
run_context.request_stop()
print("REQUESTED_STOP")
raise ValueError('Model Stopping because loss is increasing from EarlyStopping hook')
这将指数平滑损失验证与其最低值进行比较,如果它的容差更高,则会停止训练。如果它太早停止,提高公差和平滑将使其稍后停止。保持平滑低于一,否则永远不会停止。
如果要根据不同的条件停止,可以使用其他内容替换after_run中的逻辑。
现在,将此挂钩添加到评估规范中。您的代码应如下所示:
eval_spec=tf.estimator.EvalSpec(input_fn=lambda:eval_input_fn(batchsize),steps=100,hooks=[EarlyStopping()])#
重要提示:函数run_context.request_stop()在train_and_evaluate调用中被破坏,并且不会停止训练。所以,我提出了一个值错误来停止训练。所以你必须将train_and_evaluate调用包装在try catch块中,如下所示:
try:
tf.estimator.train_and_evaluate(classifier,train_spec,eval_spec)
except ValueError as e:
print("training stopped")
如果您不这样做,代码将在培训停止时因错误而崩溃。