TensorFlow 便捷的实现机器学习 三

TensorFlow 便捷的实现机器学习 三

MNIST

卷积神经网络

Fly

 

• Overview
• Enabling Logging with TensorFlow
• Configuring a ValidationMonitor for Streaming Evaluation
  • Evaluating Every N Steps
  • Customizing the Evaluation Metrics
  • Early Stopping with ValidationMonitor
• Visualizing Log Data with TensorBoard
• reference

 

Overview

---

在Iris花瓣分类中，运行结果后，我们最后只是知道一个最终的结果：

Accuracy: 0.933333
Predictions: [1 2]

我们并不能知道tensorflow执行的过程中发生了写什么。
有一种方式是通过在训练过程中通过多次fit来一步一步的得到结果，但是这种方式会大大的影响执行效率。我们可以使用==tf.contrib.learn提供的Monitor API工具来实现监控。下面主要学习的时候启动Logging一级TensorBoard来对实现过程做一个监控。

Enabling Logging with TensorFlow

---

TensorFlow提供了五个等级的日记记录，分别是：

1. DEBUG
2. INFO
3. WARN
4. ERROR
5. FATAL

默认的情况下，TensorFlow主要设置为WARN等级。我们可以自行调整结果

tf.logging.set_verbosity(tf.logging.INFO)

这样子在运行程序的话，就会看到如下信息：

INFO:tensorflow:Training steps [0,200)
INFO:tensorflow:global_step/sec: 0
INFO:tensorflow:Step 1: loss_1:0 = 1.48073
INFO:tensorflow:training step 100, loss = 0.19847 (0.001 sec/batch).
INFO:tensorflow:Step 101: loss_1:0 = 0.192693
INFO:tensorflow:Step 200: loss_1:0 = 0.0958682
INFO:tensorflow:training step 200, loss = 0.09587 (0.003 sec/batch).

Configuring a ValidationMonitor for Streaming Evaluation

---

记录训练损失有助于了解你的模型是否融合，但如果你想进一步了解培训期间发生了什么，你有该怎么办？tf.contrib.learn提供了几个高级的Monitor，您可以附加到您的合适的操作，以进一步跟踪指标和/或调试较低级别的TensorFlow操作在模型训练，主要包括：

Monitor	Description
CaptureVariable	Saves a specified variable's values into a collection at every n steps of training
PrintTensor	Logs a specified tensor's values at every n steps of training
SummarySaver	Saves Summary protocol buffers for a given tensor using a SummaryWriter at every n steps of training
ValidationMonitor	Logs a specified set of evaluation metrics at every n steps of training, and, if desired, implements early stopping under certain conditions

Evaluating Every N Steps

在设置校验ValidationMonitor的时候，你也许想看看这个模型的泛化程度，这个时候你就可以通过设置(test_set.data and test_set.target)，以及显示的频率来查看:

validation_monitor = tf.contrib.learn.monitors.ValidationMonitor(
    test_set.data,
    test_set.target,
    every_n_steps=50)

然后将这个行代码放在实例化的classifier之前。ValidationMonitor依赖保存的检查点来执行评估操作，因此您需要修改分类器的实例化以添加包含save_checkpoints_secs的RunConfig，它指定在训练期间在检查点保存之间应该经过多少秒。
classifier可是如下设置：

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                            hidden_units=[10, 20, 10],
                                            n_classes=3,
                                            model_dir="/tmp/iris_model",
                                            config=tf.contrib.learn.RunConfig(
                                                save_checkpoints_secs=1))

然后，再讲设置好的validation_monitor放进去

classifier.fit(x=training_set.data,
               y=training_set.target,
               steps=2000,
               monitors=[validation_monitor])

到此，就可以运行代码，然后就能看到：

INFO:tensorflow:Validation (step 50): loss = 1.71139, global_step = 0, accuracy = 0.266667
...
INFO:tensorflow:Validation (step 300): loss = 0.0714158, global_step = 268, accuracy = 0.966667
...
INFO:tensorflow:Validation (step 1750): loss = 0.0574449, global_step = 1729, accuracy = 0.966667

Customizing the Evaluation Metrics

默认情况下，如果未指定评估指标，ValidationMonitor将同时记录损失和精确度，但您可以自定义每隔50个步骤运行的指标列表。tf.contrib.metrics模块为您可以与ValidationMonitor一起使用的分类模型提供各种其他度量功能，包括streaming_precision和streaming_recall。要指定要在每个评估传递中运行的确切指标，请向ValidationMonitor构造函数中添加一个指标参数。指标采用键/值对的dict，其中每个键是您要为该指标记录的名称，相应的值是计算它的函数。

按照如下方式修改ValidationMonitor构造函数，以添加精度和回调的记录，以及精度（损失总是记录，不需要明确指定）：

validation_metrics = {"accuracy": tf.contrib.metrics.streaming_accuracy,
                      "precision": tf.contrib.metrics.streaming_precision,
                      "recall": tf.contrib.metrics.streaming_recall}
validation_monitor = tf.contrib.learn.monitors.ValidationMonitor(
    test_set.data,
    test_set.target,
    every_n_steps=50,
    metrics=validation_metrics)

Early Stopping with ValidationMonitor

注意，在上述对数输出中，通过步骤150，模型已经实现了1.0的精确度和召回率。这提出了一个问题，即模型训练是否可以从早期停止中受益。除了记录eval指标，ValidationMonitor使得在满足指定条件时容易实现提前停止，通过如下参数：

Param	Description
early_stopping_metric	Metric that triggers early stopping (e.g., loss or accuracy) under conditions specified in early_stopping_rounds and early_stopping_metric_minimize. Default is "loss".
early_stopping_metric_minimize	True if desired model behavior is to minimize the value of early_stopping_metric; False if desired model behavior is to maximize the value of early_stopping_metric. Default is True.
early_stopping_rounds	Sets a number of steps during which if the early_stopping_metric does not decrease (if early_stopping_metric_minimize is True) or increase (if early_stopping_metric_minimize is False), training will be stopped. Default is None, which means early stopping will never occur.

我们可以做如下设置：

validation_monitor = tf.contrib.learn.monitors.ValidationMonitor(
    test_set.data,
    test_set.target,
    every_n_steps=50,
    metrics=validation_metrics,
    early_stopping_metric="loss",
    early_stopping_metric_minimize=True,
    early_stopping_rounds=200)

这样就会提前停止，而不需要到2000步，结果如下：

...
INFO:tensorflow:Validation (step 1450): recall = 1.0, accuracy = 0.966667, global_step = 1431, precision = 1.0, loss = 0.0550445
INFO:tensorflow:Stopping. Best step: 1150 with loss = 0.0506100878119.

实际上，这里的训练在步骤1450停止，指示对于过去200个步骤，损失没有减少，并且总体来说，步骤1150针对测试数据集产生最小损失值。这表明通过减少步数来额外校准超参数可以进一步改善模型。

Visualizing Log Data with TensorBoard

---

通过阅读ValidationMonitor生成的日志，可以在训练期间提供大量有关模型性能的原始数据，但也可以查看此数据的可视化，以便进一步了解趋势，例如，精确度如何更改步数。您可以使用TensorBoard（与TensorFlow一起打包的单独程序）通过将logdir命令行参数设置为保存模型训练数据的目录（此处为/ tmp / iris_model）来绘制这样的图。在命令行上运行以下命令：

$ tensorboard --logdir=/tmp/iris_model/
Starting TensorBoard 22 on port 6006
(You can navigate to http://0.0.0.0:6006)

然后在浏览器中加载提供的URL（此处为http://0.0.0.0:6006）。就可以可视化查看结果了。

reference

[1] https://www.tensorflow.org/tutorials/monitors/