使用可用的训练挂钩在tf.estimator.DNNRegressor中实现提前停止

Question

我是tensorflow的新手,希望通过MNIST数据集的tf.estimator.DNNRegressor训练挂钩训练挂钩实现早期停止.如果损失在某些指定的步骤中没有改善,则提前停止挂钩将停止训练.Tensorflow文档仅提供了Logging钩子的示例.有人可以写一个代码片段来实现吗？

Answer 1

这是一个EarlyStoppingHook示例实现:

import numpy as np
import tensorflow as tf
import logging
from tensorflow.python.training import session_run_hook


class EarlyStoppingHook(session_run_hook.SessionRunHook):
    """Hook that requests stop at a specified step."""

    def __init__(self, monitor='val_loss', min_delta=0, patience=0,
                 mode='auto'):
        """
        """
        self.monitor = monitor
        self.patience = patience
        self.min_delta = min_delta
        self.wait = 0
        if mode not in ['auto', 'min', 'max']:
            logging.warning('EarlyStopping mode %s is unknown, '
                            'fallback to auto mode.', mode, RuntimeWarning)
            mode = 'auto'

        if mode == 'min':
            self.monitor_op = np.less
        elif mode == 'max':
            self.monitor_op = np.greater
        else:
            if 'acc' in self.monitor:
                self.monitor_op = np.greater
            else:
                self.monitor_op = np.less

        if self.monitor_op == np.greater:
            self.min_delta *= 1
        else:
            self.min_delta *= -1

        self.best = np.Inf if self.monitor_op == np.less else -np.Inf

    def begin(self):
        # Convert names to tensors if given
        graph = tf.get_default_graph()
        self.monitor = graph.as_graph_element(self.monitor)
        if isinstance(self.monitor, tf.Operation):
            self.monitor = self.monitor.outputs[0]

    def before_run(self, run_context):  # pylint: disable=unused-argument
        return session_run_hook.SessionRunArgs(self.monitor)

    def after_run(self, run_context, run_values):
        current = run_values.results

        if self.monitor_op(current - self.min_delta, self.best):
            self.best = current
            self.wait = 0
        else:
            self.wait += 1
            if self.wait >= self.patience:
                run_context.request_stop()

此实现基于Keras实现.

要将它与CNN MNIST 示例一起使用,请创建钩子并将其传递给train.

early_stopping_hook = EarlyStoppingHook(monitor='sparse_softmax_cross_entropy_loss/value', patience=10)

mnist_classifier.train(
  input_fn=train_input_fn,
  steps=20000,
  hooks=[logging_hook, early_stopping_hook])

以下sparse_softmax_cross_entropy_loss/value是该示例中的损失操作的名称.

编辑1:

在使用估算器时(或者我找不到它),看起来没有找到损耗节点的"官方"方式.

对于DNNRegressor此节点有名称dnn/head/weighted_loss/Sum.

以下是如何在图表中找到它:

1. 在模型目录中启动tensorboard.在我的情况下,我没有设置任何目录,所以estimator使用临时目录并打印此行:
   WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpInj8SC
   启动张量板:

   tensorboard --logdir /tmp/tmpInj8SC
   

2. 在浏览器中打开它并导航到GRAPHS选项卡.

3. 在图表中找到损失.展开块的顺序:dnn→交通head→交通weighted_loss和点击的Sum节点(请注意,有一个名为汇总节点loss连接到它).

4. 右侧信息"窗口"中显示的名称是所选节点的名称,需要传递给monitor参数pf EarlyStoppingHook.

DNNClassifier默认情况下,丢失节点具有相同的名称.双方DNNClassifier并DNNRegressor具有可选的参数loss_reduction是影响损失节点名称和行为(默认losses.Reduction.SUM).

编辑2:

有一种方法可以在不查看图表的情况下找到损失.
您可以使用GraphKeys.LOSSES集合来获取损失.但这种方式只有在训练开始后才有效.所以你只能在钩子里使用它.

例如,您可以monitor从EarlyStoppingHook类中删除参数并将其begin函数更改为始终使用集合中的第一个损失:

self.monitor = tf.get_default_graph().get_collection(tf.GraphKeys.LOSSES)[0]

您可能还需要检查集合中是否存在丢失.