Keras Batchnormalization,培训数据集的培训和评估结果不同

时间:2018-01-12 16:17:21

标签: tensorflow keras batch-normalization

我正在训练CNN,为了调试我的问题,我正在研究一小部分实际训练数据。

在训练期间,损失和准确性似乎非常合理且非常好。 (在示例中,我使用相同的小子集进行验证,问题已在此处显示)

适合x_train并使用batch_size = 32

在x_train上进行验证
Epoch 10/10
1/10 [==>...........................] - ETA: 2s - loss: 0.5126 - acc: 0.7778
2/10 [=====>........................] - ETA: 1s - loss: 0.3873 - acc: 0.8576
3/10 [========>.....................] - ETA: 1s - loss: 0.3447 - acc: 0.8634
4/10 [===========>..................] - ETA: 1s - loss: 0.3320 - acc: 0.8741
5/10 [==============>...............] - ETA: 0s - loss: 0.3291 - acc: 0.8868
6/10 [=================>............] - ETA: 0s - loss: 0.3485 - acc: 0.8848
7/10 [====================>.........] - ETA: 0s - loss: 0.3358 - acc: 0.8879
8/10 [=======================>......] - ETA: 0s - loss: 0.3315 - acc: 0.8863
9/10 [==========================>...] - ETA: 0s - loss: 0.3215 - acc: 0.8885
10/10 [==============================] - 3s - loss: 0.3106 - acc: 0.8863 - val_loss: 1.5021 - val_acc: 0.2707

当我评估相同的训练数据集时,准确度实际上与我在训练期间所看到的一致(我希望它至少与相同数据集的训练期间一样好)。

直接评估或使用

K.set_learning_phase(0)

我得到的,类似于验证(使用batch_size = 32 评估x_train):

Evaluation Accuracy: 0.266318537392, Loss:  1.50756853772 

<小时/> 如果我将后端设置为学习阶段,结果会再次变得非常好,因此每批规范化似乎运行良好。我怀疑累积的均值和方差没有被正确使用。

所以

之后
K.set_learning_phase(1)

我得到(使用batch_size = 32 评估x_train):

Evaluation Accuracy: 0.887728457507, Loss:  0.335956037511

<小时/> 我在第一个卷积层之后添加了batchnormalization层,如下所示:

model = models.Sequential()
model.add(Conv2D(80, first_conv_size, strides=2, activation="relu", input_shape=input_shape, padding=padding_name))
model.add(BatchNormalization(axis=-1))
model.add(MaxPooling2D(first_max_pool_size, strides=4, padding=padding_name))
...

在线下我还会有一些辍学图层,我将其删除以调查Batchnormalization行为。我打算在非训练阶段使用该模型进行正常预测。

不应该这样工作,还是我错过了一些额外的配置?

谢谢!

我使用keras 2.0.8和tensorflow 1.1.0(anaconda)

1 个答案:

答案 0 :(得分:1)

这真烦人。当您将learning_phase设置为True时,BatchNormalization图层会直接从数据中获取规范化统计信息,当您拥有较小的batch_size时可能会出现问题。我前段时间遇到过类似的问题 - 在这里你有我的解决方案:

  1. 构建模型时 - 如果模型在学习阶段或非学习阶段预测,并且在学习阶段使用此阶段,则添加选项使用以下类而不是BatchNormalization

    class NonTrainableBatchNormalization(BatchNormalization):
        """
        This class makes possible to freeze batch normalization while Keras 
        is in training phase.
        """
        def call(self, inputs, training=None):
            return super(
                NonTrainableBatchNormalization, self).call(inputs, training=False)
    
  2. 训练模型后 - 将其权重重置为NonTrainable副本:

    learning_phase_model.set_weights(learned_model.get_weights())
    
  3. 现在,您可以完全享受在BatchNormalization中使用learning_phase