更新:此问题针对Tensorflow 1.x。我升级到了2.0版本,至少在下面的简单代码中,可重复性问题似乎在2.0上已经解决了。所以这解决了我的问题;但我仍然很好奇在1.x版本中如何使用“最佳实践”处理此问题。
在keras/tensorflow上使用相同的模型/参数/数据进行训练并不能产生可重复的结果,并且每次训练模型时损失值显著不同。有许多关于这个问题的stackoverflow问题(例如,如何在keras中获得可重复的结果),但推荐的解决方法似乎对我或许多其他人都不起作用。好吧,就是这样。
但是,鉴于在tensorflow上keras无法实现可重复性的局限性,比较模型并选择超参数的最佳实践是什么?我正在测试不同的架构和激活函数,但由于每次损失估计都不同,我从来不确定哪个模型比另一个更好。有没有任何处理这个问题的最佳实践?
我认为这个问题与我的代码无关,但以防万一,这里是一个示例程序:
import os
#stackoverflow says turning off the GPU helps reproducibility, but it doesn't help for me
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = ""
os.environ['PYTHONHASHSEED']=str(1)
import tensorflow as tf
import tensorflow.keras as keras
import tensorflow.keras.layers
import random
import pandas as pd
import numpy as np
#StackOverflow says this is needed for reproducibility but it doesn't help for me
from tensorflow.keras import backend as K
config = tf.ConfigProto(intra_op_parallelism_threads=1,inter_op_parallelism_threads=1)
sess = tf.Session(graph=tf.get_default_graph(), config=config)
K.set_session(sess)
#make some random data
NUM_ROWS = 1000
NUM_FEATURES = 10
random_data = np.random.normal(size=(NUM_ROWS, NUM_FEATURES))
df = pd.DataFrame(data=random_data, columns=['x_' + str(ii) for ii in range(NUM_FEATURES)])
y = df.sum(axis=1) + np.random.normal(size=(NUM_ROWS))
def run(x, y):
#StackOverflow says you have to set the seeds but it doesn't help for me
tf.set_random_seed(1)
np.random.seed(1)
random.seed(1)
os.environ['PYTHONHASHSEED']=str(1)
model = keras.Sequential([
keras.layers.Dense(40, input_dim=df.shape[1], activation='relu'),
keras.layers.Dense(20, activation='relu'),
keras.layers.Dense(10, activation='relu'),
keras.layers.Dense(1, activation='linear')
])
NUM_EPOCHS = 500
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(x, y, epochs=NUM_EPOCHS, verbose=0)
predictions = model.predict(x).flatten()
loss = model.evaluate(x, y) #This prints out the loss by side-effect
#Each time we run it gives a wildly different loss. :-(
run(df, y)
run(df, y)
run(df, y)
在不可重复性的情况下,如何评估我的超参数和架构变化是否有所帮助?