Question

我正在使用nadam优化器开发模型。我想知道如果在两个时期内验证损失没有减少，是否有办法在培训期间切换到sgd。

Answer 1

这样的事情会起作用吗？

model.compile( optimizer='Adam', ...) 
model.fit( X, y, epochs=100, callback=[EarlyStoppingCallback] ) 
# now switch to SGD and finish training
model.compile( optimizer='SGD', ...) 
model.fit( X, y, epochs=10 )

或者第二次调用编译覆盖所有变量（即执行类似tf.initialize_all_variables（）

的操作

（它实际上是一个后续问题 - 但我写这个作为答案 - 因为stackoverflow不允许在评论中使用代码）

Answer 2

您可以创建一个停止训练的EarlyStopping回调，在此回调中，您可以创建一个更改优化器并再次适合的函数。

以下回调将监控验证丢失（val_loss）并在两个时期（patience）之后停止训练，但改进不超过min_delta。

min_delta = 0.000000000001

stopper = EarlyStopping(monitor='val_loss',min_delta=min_delta,patience=2)

但是为了在培训结束后添加额外的操作，我们可以扩展此回调并更改on_train_end方法：

class OptimizerChanger(EarlyStopping):

    def __init__(self, on_train_end, **kwargs):

        self.do_on_train_end = on_train_end
        super(OptimizerChanger,self).__init__(**kwargs)

    def on_train_end(self, logs=None):
        super(OptimizerChanger,self).on_train_end(self,logs)
        self.do_on_train_end()

对于模型结束训练时要调用的自定义函数：

def do_after_training():

    #warining, this creates a new optimizer and,
    #at the beginning, it might give you a worse training performance than before
    model.compile(optimizer = 'SGD', loss=...., metrics = ...)
    model.fit(.....)

现在让我们使用回调：

changer = OptimizerChanger(on_train_end= do_after_training, 
                           monitor='val_loss',
                           min_delta=min_delta,
                           patience=2)

model.fit(..., ..., callbacks = [changer])

Answer 3

我做到了，而且奏效了

class myCallback(tf.keras.callbacks.Callback):

    def on_epoch_end(self, epoch, logs):
    
        self.model.optimizer = new_model_optimizer
        self.model.loss = new_model_loss

在训练期间更改keras中的优化器

3 个答案: