Keras批归一化和样本权重

Question

我正在尝试在tensorflow 网站上使用训练和评估示例。 具体来说，是这部分内容:

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255

y_train = y_train.astype('float32')
y_test = y_test.astype('float32')

def get_uncompiled_model():
  inputs = keras.Input(shape=(784,), name='digits')
  x = layers.Dense(64, activation='relu', name='dense_1')(inputs)
  x = layers.BatchNormalization()(x)
  x = layers.Dense(64, activation='relu', name='dense_2')(x)
  outputs = layers.Dense(10, activation='softmax', name='predictions')(x)
  model = keras.Model(inputs=inputs, outputs=outputs)
  return model

def get_compiled_model():
  model = get_uncompiled_model()
  model.compile(optimizer=keras.optimizers.RMSprop(learning_rate=1e-3),
              loss='sparse_categorical_crossentropy',
              metrics=['sparse_categorical_accuracy'])
  return model

sample_weight = np.ones(shape=(len(y_train),))
sample_weight[y_train == 5] = 2.

# Create a Dataset that includes sample weights
# (3rd element in the return tuple).
train_dataset = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train, sample_weight))

# Shuffle and slice the dataset.
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(64)

model = get_compiled_model()
model.fit(train_dataset, epochs=3)

看起来，如果我添加批量归一化层（这一行：x = layers.BatchNormalization()(x)），会出现以下错误：

InvalidArgumentError: 第二个输入必须是标量，但其形状为 [64] [[{{node batch_normalization_2/cond/ReadVariableOp/Switch}}]]

有什么想法吗？

- Fariborz Ghavamian

---

你使用的是哪个版本的TF？ - today

版本号是1.14.1。当我将其升级到2.0.0-rc1时，问题消失了。 - Fariborz Ghavamian

Answer 1

这段代码对我也可以正常运行。

我唯一更改的是：

model.compile(optimizer=keras.optimizers.RMSprop(learning_rate=1e-3) 改为 model.compile(optimizer=keras.optimizers.RMSprop(lr=1e-3) （这是版本特定的）

然后将 model.fit(train_dataset, epochs=3) 更改为 model.fit(train_dataset, epochs=3, steps_per_epoch=30)
原因：当使用迭代器作为模型的输入时，应该指定steps_per_epoch参数。

- ASHu2

---

你正在使用tensorflow 2.0.0-rc1吗？ - Fariborz Ghavamian

Answer 2

如果你只想使用样本权重，不需要使用tf.data.Dataset，可以直接运行以下命令：

model.fit(x=x_train, y=y_train, sample_weight=sample_weight, batch_size=64, epochs=3)

对我而言它有效（当我像 @ASHu2 提到的那样将 learning_rate 改为 lr 时）。

经过 3 个 epoch 后，准确率达到了 97%：

...
57408/60000 [===========================>..] - ETA: 0s - loss: 0.1010 - sparse_categorical_accuracy: 0.9709
58816/60000 [============================>.] - ETA: 0s - loss: 0.1011 - sparse_categorical_accuracy: 0.9708
60000/60000 [==============================] - 2s 37us/sample - loss: 0.1007 - sparse_categorical_accuracy: 0.9709

我在Windows上使用了TF 1.14.0。

- hans

---

抱歉造成困惑。我想使用tf.data.Dataset。 - Fariborz Ghavamian

Answer 3

问题在我将tensorflow从版本1.14.1更新到2.0.0-rc1后得到了解决。

- Fariborz Ghavamian