《python深度学习》学习笔记与代码实现（第七章：7.2 7.3）_深度学习7:2:1

python深度学习7.2----使用keras的回调函数和TensorBoard来检查并监控深度学习模型

7.2.1 训练过程中将回调函数作用于模型

回调函数的一些用法示例如下所示：

1.模型检查点：在训练过程中的不同时间点保存模型的当前权重

2.提前终止：如果验证损失不在改善，则中断训练

3.在训练过程中动态的调节某些参数值

4.在训练过程中记录训练指标和验证指标，或将模型学到的表示可视化

# 1.modelCheckPoint 与 EarlyStopping 回调函数

import keras 

callbacks_list = [
#     如果模型不再改善就中断训练   监控模型的验证精度     如果精度在多于1轮的时间（即两轮）内不再改善，则中断训练
    keras.callbacks.EarlyStopping(monitor = 'acc',patience = 1),
#     在每轮过后保存当前权重，目标模型文件的保存路径，如果val_loss没有改善，那么不需要覆盖模型文件，这就可以始终保存在训练过程中中见到的最佳模型
    keras.callbacks.ModelCheckpoint(filepath = 'my_model.h5',monitor = 'val_loss',save_best_only = True)
    
]

# 回调函数要监控验证损失和验证精度，所以在调入fit时需要传入validation_data（验证数据）
model.fit(x,y,epochs = 10,batch_size = 32,callbacks = callbacks_list,validation_data= (x_val,y_val))


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 2.ReduceLROnPlateau回调函数
# 训练过程总验证损失不再改善，使用这个回调函数来改变学习率

callbacks_list = [
#     监控模型的验证损失，触发时将学习率乘以0.1，如果验证损失在10轮内都没有改善，则触发这个回调函数
    keras.callbacks.ReduceLROnPlateau(monitor = 'val_loss',factor = 0.1,patience = 10)
]

model.fit(x,y,epochs = 10,batch_size = 32,callbacks = callbacks_list,validation_data = (x_val,y_val))

1
2
3
4
5
6
7
8
9
10

# 编写你自己的回调函数
# 示例，在每轮结束后将模型每层的激活保存到硬盘，这个激活是对验证集的第一个样本计算得到的

import keras 
import numpy as np

class ActivationLogger(keras.callbacks.Callback):
    def set_model(self,model):
        self.model = model
        layer_outputs = [layer.output for layer in model.layers]
        self.activations_model = keras.models.Model(model.input,layer_outputs)
        
    def on_epoch_end(self,epoch,logs = None):
        if self.validation_data is None:
            raise RuntimeError('Requires valiation_data')
        validation_sample = self.validation_data[0][0:1]
        activations = self.activations_model.predict(validation_sample)
        f = open('activation_at_epoch' + str(epoch) + '.npz','w')
        np.savez(f,activations)
        f.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

7.2.2 TensorBoard简介：TensorFlow的可视化框架
主要用途：在训练过程中帮助你以可视化的方法监控模型内部发生的一切，如果你监控了除模型最终损失之外的更多信息，那么可以更清楚的了解模型做了什么，没做什么，并且能够更快的取得进展，TensorBoard的功能如下

1.再寻过程中以可视化的方式监控指标

2.将模型架构可视化

3.将激活和梯度的直方图可视化

4.以三维的形式研究嵌入

示例：IMDB情感分析问题

import keras 
from keras import layers
from keras.datasets import imdb
from keras.preprocessing import sequence

max_features = 2000
max_len = 500

(x_train,y_train),(x_test,y_test) = imdb.load_data(num_words = max_features)
x_train = sequence.pad_sequences(x_train,maxlen = max_len)
x_test = sequence.pad_sequences(x_test,maxlen = max_len)

model = keras.models.Sequential()
model.add(layers.Embedding(max_features,128,input_length = max_len,name = 'embed'))
model.add(layers.Conv1D(32,7,activation = 'relu'))
model.add(layers.MaxPooling1D(5))
model.add(layers.Conv1D(32,7,activation = 'relu'))
model.add(layers.GlobalMaxPooling1D())
model.add(layers.Dense(1))
model.summary()
model.compile(optimizer = 'rmsprop',loss = 'binary_crossentropy',metrics = ['acc'])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Layer (type)                 Output Shape              Param #   
=================================================================
embed (Embedding)            (None, 500, 128)          256000    
_________________________________________________________________
conv1d_1 (Conv1D)            (None, 494, 32)           28704     
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 98, 32)            0         
_________________________________________________________________
conv1d_2 (Conv1D)            (None, 92, 32)            7200      
_________________________________________________________________
global_max_pooling1d_1 (Glob (None, 32)                0         
_________________________________________________________________
dense_1 (Dense)              (None, 1)                 33        
=================================================================
Total params: 291,937
Trainable params: 291,937
Non-trainable params: 0
_________________________________________________________________
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

callbacks = [
#     日志文件被写入这个位置，每一轮之后激活直方图，每一轮之后记录嵌入数据
    keras.callbacks.TensorBoard(log_dir = 'D:\study\Python\Deeplearning\ch7',histogram_freq = 1,embeddings_freq = 1)
]

history = model.fit(x_train,y_train,epochs = 20,batch_size = 128,validation_split = 0.2,callbacks = callbacks)
1
2
3
4
5
6

小结
1.keras回调函数提供了一种简单方法，可以在训练过程中，监控模型并根据模型状态自动采取行动

2.使用tensorflow时，TensorBoard是一种在浏览器中将模型活动可视化的好方法，在可让是模型中，你可以通过TensorBoard回到函数来实现这种方法

7.3 让模型的性能发挥到极致

1.批标准化：有助于梯度传播

BatchNormalization层，通常在卷积层和Dense层之后使用

接受一个axis参数，表示在那个通道运用标准化，默认值为-1

2 深度可分离卷积

SeparableConv2D层

对输入的每个通道分别执行空间卷积，然后通过逐点卷积将输出通道混合，相当于将空间特征学习和通道特征学习分开，需要的参数很少，计算量也很小

# 示例

from keras import layers
from keras.models import Sequential,Model

height = 64
width = 64
channels = 3
num_classes = 10

model = Sequential()
model.add(layers.SeparableConv2D(32,3,activation = 'relu',input_shape = (height,width,channels,)))
model.add(layers.SeparableConv2D(64,3,activation = 'relu'))
model.add(layers.MaxPooling2D(2))

model.add(layers.SeparableConv2D(64,3,activation = 'relu'))
model.add(layers.SeparableConv2D(128,3,activation='relu'))
model.add(layers.MaxPooling2D(2))

model.add(layers.SeparableConv2D(64,3,activation = 'relu'))
model.add(layers.SeparableConv2D(128,3,activation='relu'))
model.add(layers.GlobalAveragePooling2D())

model.add(layers.Dense(32,activation = 'relu'))
model.add(layers.Dense(num_classes,activation = 'softmax'))

model.summary()

model.compile(optimizer = 'rmsprop',loss = 'categorical_crossentropy')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
separable_conv2d_7 (Separabl (None, 62, 62, 32)        155       
_________________________________________________________________
separable_conv2d_8 (Separabl (None, 60, 60, 64)        2400      
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 30, 30, 64)        0         
_________________________________________________________________
separable_conv2d_9 (Separabl (None, 28, 28, 64)        4736      
_________________________________________________________________
separable_conv2d_10 (Separab (None, 26, 26, 128)       8896      
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 13, 13, 128)       0         
_________________________________________________________________
separable_conv2d_11 (Separab (None, 11, 11, 64)        9408      
_________________________________________________________________
separable_conv2d_12 (Separab (None, 9, 9, 128)         8896      
_________________________________________________________________
global_average_pooling2d_2 ( (None, 128)               0         
_________________________________________________________________
dense_3 (Dense)              (None, 32)                4128      
_________________________________________________________________
dense_4 (Dense)              (None, 10)                330       
=================================================================
Total params: 38,949
Trainable params: 38,949
Non-trainable params: 0
_________________________________________________________________
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

3.超参数优化

通常的流程：

1.选择一组超参数（自动选择）

2.构建相应的模型

3.将模型在训练数据上拟合，并衡量其在验证数据上的最佳性能

4.选择要尝试的下一组超参数（自动选择）

5.重复上述过程

6.最后，衡量模型在测试数据上的性能

超参数优化的库：Hyperopt，Hyperas

注意：

在进行大规模超参数自动优化时，有一个重要的问题需要牢记，那就是验证集过拟合，因为你是在使用一个验证数据计算出一个信号，然后根据这个信号来更新超参数，所以你实际上实在验证数据集上训练超参数，很快会对验证数据过拟合，请始终记住这一点

4.模型集成

原则：使用尽可能多的模型，模型之间的表现都差不多，模型的类型应该多样化

小结：

1.构建高性能的卷积神经网络时，你需要使用残差连接，批标准化和深度可分离卷积。未来，无论是一维，二维，还是三维应用，深度可分离卷积可能会完全取代普通卷积，因为他的表示效率更高

2.构建深度网络需要选择许多超参数和架构，这些选择共同决定了模型的性能，与其将这些选择建立在直觉或随机性之上，不如系统的搜索超参数空间，以找到最佳选择，目前，这个搜索过程的计算代价还很高，使用的工具也不是很好，并且要小心验证集过拟合

3.模型集成：加权平均，模型多样性

本章小结

1.如何将模型构建为层组成的图，层的重复使用（层权重共享），与将模型用作python函数（模型模板）

2.你可以用keras的回调函数在训练过程中监控模型，并根据模型状态采取行动

3.TensorBoard可以将指标，激活直方图甚至嵌入空间可视化

4.什么是批标准化，深度可分离卷积和残差连接

5.超参数优化和模型集成