Блог

Я нашел реализацию PyTorch, которая momentum уменьшает параметр пакетной нормы с 0.1 первой эпохи до 0.001 последней эпохи. Любые предложения о том, как это сделать с параметром пакетной нормы momentum в TF2? (т. Е. Начинать 0.9 и заканчивать 0.999 ) Например, это то, что делается в коде PyTorch:

 # in training script
momentum = initial_momentum * np.exp(-epoch/args.epochs * np.log(initial_momentum/final_momentum))
model_pos_train.set_bn_momentum(momentum)

# model class function
def set_bn_momentum(self, momentum):
    self.expand_bn.momentum = momentum
    for bn in self.layers_bn:
        bn.momentum = momentum
 

РЕШЕНИЕ:

Выбранный ниже ответ обеспечивает жизнеспособное решение при использовании tf.keras.Model.fit() API. Тем не менее, я использовал пользовательский цикл обучения. Вот что я сделал вместо этого:

После каждой эпохи:

 mi = 1 - initial_momentum  # i.e., inital_momentum = 0.9, mi = 0.1
mf = 1 - final_momentum  # i.e., final_momentum = 0.999, mf = 0.001
momentum = 1 - mi * np.exp(-epoch / epochs * np.log(mi / mf))
model = set_bn_momentum(model, momentum)
 

функция set_bn_momentum (ссылка на эту статью):

 def set_bn_momentum(model, momentum):
    for layer in model.layers:
        if hasattr(layer, 'momentum'):
            print(layer.name, layer.momentum)
            setattr(layer, 'momentum', momentum)

    # When we change the layers attributes, the change only happens in the model config file
    model_json = model.to_json()

    # Save the weights before reloading the model.
    tmp_weights_path = os.path.join(tempfile.gettempdir(), 'tmp_weights.h5')
    model.save_weights(tmp_weights_path)

    # load the model from the config
    model = tf.keras.models.model_from_json(model_json)

    # Reload the model weights
    model.load_weights(tmp_weights_path, by_name=True)
    return model
 

Этот метод не добавлял значительных накладных расходов к процедуре обучения.

Вы можете установить действие в начале / конце каждой партии, чтобы вы могли управлять любым параметром в течение эпохи.

Ниже приведены параметры для обратных вызовов:

 class CustomCallback(keras.callbacks.Callback):
    def on_epoch_begin(self, epoch, logs=None):
        keys = list(logs.keys())
        print("Start epoch {} of training; got log keys: {}".format(epoch, keys))

    def on_epoch_end(self, epoch, logs=None):
        keys = list(logs.keys())
        print("End epoch {} of training; got log keys: {}".format(epoch, keys))

    def on_train_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Training: start of batch {}; got log keys: {}".format(batch, keys))

    def on_train_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Training: end of batch {}; got log keys: {}".format(batch, keys))

    def on_test_batch_begin(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Evaluating: start of batch {}; got log keys: {}".format(batch, keys))

    def on_test_batch_end(self, batch, logs=None):
        keys = list(logs.keys())
        print("...Evaluating: end of batch {}; got log keys: {}".format(batch, keys))
 

Вы можете получить доступ к импульсу

 batch = tf.keras.layers.BatchNormalization()
batch.momentum = 0.001
 

Внутри модели вы должны указать правильный слой

 model.layers[1].momentum = 0.001
 

Вы можете найти более подробную информацию и пример в writing_your_own_callbacks