Question

我现在正在进行Udacity深度学习课程的作业3。我已经完成了大部分工作并且它正在工作但是我注意到问题3，即使用“dropout”和tensorflow，似乎会降低我的性能而不是改进它。

所以我觉得我做错了什么。我会把我的完整代码放在这里。如果有人能向我解释如何正确使用辍学，我会很感激。（或者确认我正确使用它并且在这种情况下它没有帮助。）。它将准确度从超过94％（没有辍学）下降到91.5％。如果您不使用L2正则化，则降级甚至更大。

def create_nn(dataset, weights_hidden, biases_hidden, weights_out, biases_out):
    # Original layer
    logits = tf.add(tf.matmul(tf_train_dataset, weights_hidden), biases_hidden)
    # Drop Out layer 1
    logits = tf.nn.dropout(logits, 0.5)
    # Hidden Relu layer
    logits = tf.nn.relu(logits)
    # Drop Out layer 2
    logits = tf.nn.dropout(logits, 0.5)
    # Output: Connect hidden layer to a node for each class
    logits = tf.add(tf.matmul(logits, weights_out), biases_out)
    return logits


# Create model
batch_size = 128
hidden_layer_size = 1024
beta = 1e-3

graph = tf.Graph()
with graph.as_default():
    # Input data. For the training data, we use a placeholder that will be fed
    # at run time with a training minibatch.
    tf_train_dataset = tf.placeholder(tf.float32,
                                    shape=(batch_size, image_size * image_size))
    tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
    tf_valid_dataset = tf.constant(valid_dataset)
    tf_test_dataset = tf.constant(test_dataset)

    # Variables.
    weights_hidden = tf.Variable(
        #tf.truncated_normal([image_size * image_size, num_labels]))
        tf.truncated_normal([image_size * image_size, hidden_layer_size]))
    #biases = tf.Variable(tf.zeros([num_labels]))
    biases_hidden = tf.Variable(tf.zeros([hidden_layer_size]))

    weights_out = tf.Variable(tf.truncated_normal([hidden_layer_size, num_labels]))
    biases_out = tf.Variable(tf.zeros([num_labels]))


    # Training computation.
    #logits = tf.matmul(tf_train_dataset, weights_out) + biases_out
    logits = create_nn(tf_train_dataset, weights_hidden, biases_hidden, weights_out, biases_out)

    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=tf_train_labels, logits=logits))
    loss += beta * (tf.nn.l2_loss(weights_hidden) + tf.nn.l2_loss(weights_out))

    # Optimizer.
    optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

    # Predictions for the training, validation, and test data.
    train_prediction = tf.nn.softmax(logits)
    #valid_prediction = tf.nn.softmax(tf.matmul(tf_valid_dataset, weights_out) + biases_out)
    #test_prediction = tf.nn.softmax(tf.matmul(tf_test_dataset, weights_out) + biases_out)
    valid_prediction = tf.nn.softmax(tf.matmul(tf.nn.relu(tf.matmul(tf_valid_dataset, weights_hidden) + biases_hidden), weights_out) + biases_out)
    test_prediction = tf.nn.softmax(tf.matmul(tf.nn.relu(tf.matmul(tf_test_dataset, weights_hidden) + biases_hidden), weights_out) + biases_out)


num_steps = 10000

with tf.Session(graph=graph) as session:
  tf.global_variables_initializer().run()
  print("Initialized")
  for step in range(num_steps):
    # Pick an offset within the training data, which has been randomized.
    # Note: we could use better randomization across epochs.
    offset = (step * batch_size) % (train_labels.shape[0] - batch_size)
    #offset = (step * batch_size) % (3*128 - batch_size)
    #print(offset)
    # Generate a minibatch.
    batch_data = train_dataset[offset:(offset + batch_size), :]
    batch_labels = train_labels[offset:(offset + batch_size), :]
    # Prepare a dictionary telling the session where to feed the minibatch.
    # The key of the dictionary is the placeholder node of the graph to be fed,
    # and the value is the numpy array to feed to it.
    feed_dict = {tf_train_dataset : batch_data, tf_train_labels : batch_labels}
    _, l, predictions = session.run([optimizer, loss, train_prediction], feed_dict=feed_dict)

    if (step % 500 == 0):
      print("Minibatch loss at step %d: %f" % (step, l))
      print("Minibatch accuracy: %.1f%%" % accuracy(predictions, batch_labels))
      print("Validation accuracy: %.1f%%" % accuracy(valid_prediction.eval(), valid_labels))

  print("Test accuracy: %.1f%%" % accuracy(test_prediction.eval(), test_labels))

Answer 1

您需要在推理期间关闭辍学。起初可能并不明显，但是在NN架构中硬丢码是硬编码的事实意味着它会在推理期间影响测试数据。您可以通过创建占位符keep_prob来避免这种情况，而不是直接提供值0.5。例如：

keep_prob = tf.placeholder(tf.float32)
logits = tf.nn.dropout(logits, keep_prob)

要在训练期间启用辍学，请将keep_prob值设置为0.5：

feed_dict = {tf_train_dataset : batch_data, tf_train_labels : batch_labels, keep_prob: 0.5}

在推理/评估期间，您应该可以执行以下操作，在keep_prob中将eval设置为1.0：

accuracy.eval(feed_dict={x: test_prediction, y_: test_labels, keep_prob: 1.0}

编辑：

由于问题似乎不是在推理中使用了辍学，下一个罪魁祸首是该网络规模的辍学率太高。您可以尝试将丢失降低到20％（即keep_prob = 0.8），或者增加网络的大小以使模型有机会学习表示。

我实际上尝试使用您的代码，并且我使用此网络大小获得20％左右的辍学率约为93.5％。我在下面添加了一些额外的资源，包括原始的Dropout文章，以帮助澄清它背后的直觉，并在使用辍学时扩展更多提示，例如提高学习率。

参考文献：

Deep MNIST for Experts：上面有一个例子（使用MNIST打开/关闭）
Dropout Regularization in Deep Learning Models With Keras
Dropout: A Simple Way to Prevent Neural Networks from Overfitting

Answer 2

我认为有两件事可能会导致问题。

首先，我不建议在第一层使用dropout（太多50％，使用较低，在10-25％范围内，如果必须）），因为当你使用如此高的丢失时甚至更高级别的功能不是学会并传播到更深层次。同时尝试从10％到50％的退出范围，看看准确度如何变化。事先没有办法知道什么价值会起作用

其次，您通常不会在推理中使用辍学。要将dropout的keep_prob参数中的传递修复为占位符，并在推理时将其设置为1。

另外，如果您说的准确度值是训练准确度，那么首先可能没有太大的问题，因为当您没有过度拟合时，辍学通常会少量降低训练准确度，其测试/验证准确性需要密切监控

Udacity深度学习，作业3，第3部分：Tensorflow辍学功能

2 个答案: