Question

我是tensorflow的新手，希望在tf.estimator.DNNRegressor中为MNIST数据集提供可用的训练挂钩Training Hooks。如果损失在某些指定的步骤中没有改善，则提前停止挂钩将停止训练。 Tensorflow文档仅提供Logging hooks的示例。有人可以写一个代码片段来实现吗？

Answer 1

以下是EarlyStoppingHook示例实现：

import numpy as np
import tensorflow as tf
import logging
from tensorflow.python.training import session_run_hook


class EarlyStoppingHook(session_run_hook.SessionRunHook):
    """Hook that requests stop at a specified step."""

    def __init__(self, monitor='val_loss', min_delta=0, patience=0,
                 mode='auto'):
        """
        """
        self.monitor = monitor
        self.patience = patience
        self.min_delta = min_delta
        self.wait = 0
        if mode not in ['auto', 'min', 'max']:
            logging.warning('EarlyStopping mode %s is unknown, '
                            'fallback to auto mode.', mode, RuntimeWarning)
            mode = 'auto'

        if mode == 'min':
            self.monitor_op = np.less
        elif mode == 'max':
            self.monitor_op = np.greater
        else:
            if 'acc' in self.monitor:
                self.monitor_op = np.greater
            else:
                self.monitor_op = np.less

        if self.monitor_op == np.greater:
            self.min_delta *= 1
        else:
            self.min_delta *= -1

        self.best = np.Inf if self.monitor_op == np.less else -np.Inf

    def begin(self):
        # Convert names to tensors if given
        graph = tf.get_default_graph()
        self.monitor = graph.as_graph_element(self.monitor)
        if isinstance(self.monitor, tf.Operation):
            self.monitor = self.monitor.outputs[0]

    def before_run(self, run_context):  # pylint: disable=unused-argument
        return session_run_hook.SessionRunArgs(self.monitor)

    def after_run(self, run_context, run_values):
        current = run_values.results

        if self.monitor_op(current - self.min_delta, self.best):
            self.best = current
            self.wait = 0
        else:
            self.wait += 1
            if self.wait >= self.patience:
                run_context.request_stop()

此实施基于Keras implementation。

要与CNN MNIST example一起使用，请创建挂钩并将其传递给train。

early_stopping_hook = EarlyStoppingHook(monitor='sparse_softmax_cross_entropy_loss/value', patience=10)

mnist_classifier.train(
  input_fn=train_input_fn,
  steps=20000,
  hooks=[logging_hook, early_stopping_hook])

此处sparse_softmax_cross_entropy_loss/value是该示例中损失操作的名称。

编辑1：

看起来没有＆＃34;官方＆＃34;使用估算器时找到损失节点的方法（或者我找不到它）。

对于DNNRegressor，此节点的名称为dnn/head/weighted_loss/Sum。

以下是如何在图表中找到它：

在模型目录中启动tensorboard。在我的情况下，我没有设置任何目录，因此估算器使用临时目录并打印此行：
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpInj8SC
启动tensorboard：
```
tensorboard --logdir /tmp/tmpInj8SC
```
在浏览器中打开它并导航到GRAPHS选项卡。
在图表中查找损失。按顺序展开块：dnn→head→weighted_loss并单击Sum节点（请注意，有一个名为loss的摘要节点已连接到该节点）。
信息＆＃34;窗口中显示的名称＆＃34;右侧是所选节点的名称，需要传递给monitor参数pf EarlyStoppingHook。

默认情况下，DNNClassifier的丢失节点具有相同的名称。 DNNClassifier和DNNRegressor都有可选参数loss_reduction，它们会影响丢失节点名称和行为（默认为losses.Reduction.SUM）。

编辑2：

有一种方法可以在不查看图表的情况下找到损失您可以使用GraphKeys.LOSSES集合来弥补损失。但这种方式只有在训练开始后才有效。所以你只能在钩子里使用它。

例如，您可以从monitor类中删除EarlyStoppingHook参数，并将其begin函数更改为始终使用集合中的第一个丢失：

self.monitor = tf.get_default_graph().get_collection(tf.GraphKeys.LOSSES)[0]

您可能还需要检查集合中是否有丢失。

使用可用的训练挂钩在tf.estimator.DNNRegressor中实现提前停止

1 个答案: