我正在使用Keras在Mac OSX上训练虚拟数据的MobileNet架构。我同时设置了nump.random
和tensorflow.set_random_seed
,但由于某些原因,我无法获得可重现的结果:每次重新运行代码时,都会得到不同的结果。为什么?这不是因为GPU,因为我在拥有Radeon显卡的MacBook Pro 2017上运行,因此Tensorflow没有利用它。代码使用
python Keras_test.py
所以这不是状态问题(我没有使用Jupyter或IPython:每次运行代码时都应该重置环境)。
编辑:我通过在导入Keras之前移动所有种子的设置来更改我的代码。结果仍然不确定,但结果的方差比以前小得多。这非常离奇。
目前的模型非常小(就深度神经网络而言)并不是微不足道的,它不需要GPU运行,它在几分钟内在现代笔记本电脑上训练,所以重复我的实验是在任何人的达到。我邀请你这样做:我对了解从系统到另一个系统的变化程度非常感兴趣。
import numpy as np
# random seeds must be set before importing keras & tensorflow
my_seed = 512
np.random.seed(my_seed)
import random
random.seed(my_seed)
import tensorflow as tf
tf.set_random_seed(my_seed)
# now we can import keras
import keras.utils
from keras.applications import MobileNet
from keras.callbacks import ModelCheckpoint
from keras.optimizers import Adam
import os
height = 224
width = 224
channels = 3
epochs = 10
num_classes = 10
# Generate dummy data
batch_size = 32
n_train = 256
n_test = 64
x_train = np.random.random((n_train, height, width, channels))
y_train = keras.utils.to_categorical(np.random.randint(num_classes, size=(n_train, 1)), num_classes=num_classes)
x_test = np.random.random((n_test, height, width, channels))
y_test = keras.utils.to_categorical(np.random.randint(num_classes, size=(n_test, 1)), num_classes=num_classes)
# Get input shape
input_shape = x_train.shape[1:]
# Instantiate model
model = MobileNet(weights=None,
input_shape=input_shape,
classes=num_classes)
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
# Viewing Model Configuration
model.summary()
# Model file name
filepath = 'model_epoch_{epoch:02d}_loss_{loss:0.2f}_val_{val_loss:.2f}.hdf5'
# Define save_best_only checkpointer
checkpointer = ModelCheckpoint(filepath=filepath,
monitor='val_acc',
verbose=1,
save_best_only=True)
# Let's fit!
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
validation_data=(x_test, y_test),
callbacks=[checkpointer])
与往常一样,这是我的Python,Keras& Tensorflow版本:
python -c 'import keras; import tensorflow; import sys; print(sys.version, 'keras.__version__', 'tensorflow.__version__')'
/anaconda2/lib/python2.7/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
from ._conv import register_converters as _register_converters
Using TensorFlow backend.
('2.7.15 |Anaconda, Inc.| (default, May 1 2018, 18:37:05) \n[GCC 4.2.1 Compatible Clang 4.0.1 (tags/RELEASE_401/final)]', '2.1.6', '1.8.0')
以下是多次运行此代码所获得的一些结果:正如您所看到的,代码使用描述性文件名保存了10个时期中的最佳模型(最佳验证准确性),因此比较不同运行中的文件名可以判断可变性结果。
model_epoch_01_loss_2.39_val_3.28.hdf5
model_epoch_01_loss_2.39_val_3.54.hdf5
model_epoch_01_loss_2.40_val_3.47.hdf5
model_epoch_01_loss_2.41_val_3.08.hdf5
答案 0 :(得分:6)
您可以在Keras文档中找到答案:https://keras.io/getting-started/faq/#how-can-i-obtain-reproducible-results-using-keras-during-development。
简而言之,要绝对确保您在一台计算机/笔记本电脑的CPU上使用python脚本可获得可重复的结果,那么您将必须执行以下操作:
PYTHONHASHSEED
环境变量设置为固定值python
内置的伪随机数发生器设置为固定值numpy
伪随机数发生器设置为固定值tensorflow
伪随机数发生器设置为固定值tensorflow
会话在顶部的Keras
链接之后,我使用的源代码如下:
# Seed value
# Apparently you may use different seed values at each stage
seed_value= 0
# 1. Set `PYTHONHASHSEED` environment variable at a fixed value
import os
os.environ['PYTHONHASHSEED']=str(seed_value)
# 2. Set `python` built-in pseudo-random generator at a fixed value
import random
random.seed(seed_value)
# 3. Set `numpy` pseudo-random generator at a fixed value
import numpy as np
np.random.seed(seed_value)
# 4. Set `tensorflow` pseudo-random generator at a fixed value
import tensorflow as tf
tf.set_random_seed(seed_value)
# 5. Configure a new global `tensorflow` session
from keras import backend as K
session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)
sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)
不用说,您不必在seed
,random_state
或numpy
/ {{上指定任何scikit-learn
或tensorflow
1}}在您的python脚本中使用的函数正是因为上面的源代码将它们的伪随机生成器全局设置为固定值。
答案 1 :(得分:0)
使结果可再现的关键是禁用GPU。请查看我在another question(链接https://stackoverflow.com/a/57121117/9501391)上得到的答案。