我制作了一个具有特定模型功能的TensorFlow估算器:
estimator = tf.contrib.learn.Estimator(
model_fn=_model_fn_for_penguin_model,
model_dir=/tmp/penguin_classification,
config=tf.contrib.learn.RunConfig(
save_summary_steps=5))
然后调用estimator.fit
来训练模型。我注意到如果我以小步增量(而非批量大小)训练,如10,则OptimizeLoss度量收敛:
step_increment = 10
for step in xrange(0, 1e6, step_increment):
# Train for certain increment of steps.
estimator.fit(
input_fn=_input_fn_for_train, steps=step_increment)
我可以基于TensorBoard来判断(奇怪的是,我的评估数据集的损失实际上增加了......但这可能是一个无关紧要的问题)
但是,如果我使用更大的步长增量大小,例如200,那么损失就会波动:
step_increment = 200
for step in xrange(0, 1e6, step_increment):
# Train for certain increment of steps.
estimator.fit(
input_fn=_input_fn_for_train, steps=step_increment)
这让我感到困惑,因为在我看来,上面两段代码片段应该在一天结束时做同样的事情:训练一百万步的模型。那不是这样吗?
我不相信这源于随机播种 - 我可以一致地重现这种行为。
这是输入功能。
def make_input_fn(mode):
def internal_input_fn():
include_target = mode != tf.contrib.learn.ModeKeys.INFER
feature_spec = tf.contrib.layers.create_feature_spec_for_parsing(
feature_columns=_get_feature_columns(
include_target_column=include_target))
feature_map = tf.contrib.learn.read_batch_features(
batch_size=100,
features=feature_spec,
file_pattern=os.path.join("/tmp", mode + ".tfrecord"),
queue_capacity=250,
randomize_input=True,
reader=tf.TFRecordReader)
target = feature_map.pop() if include_target else None
return feature_map, target
return internal_input_fn
答案 0 :(得分:1)
这些调用应该是等效的,但要记住的一件事是input_fn的行为。例如,如果没有随机化,第一种情况可以循环多达1M个训练样例,而第二种情况只会多次重新访问相同的200个样本。