Я использую Tensorflow 1.10 со специальным оценщиком. Чтобы протестировать мой цикл обучения / оценки, я просто каждый раз загружаю в сеть одно и то же изображение / метку, поэтому я ожидал, что сеть быстро сойдется, что и происходит.
Я также использую то же изображение для оценки, но получаю гораздо большую потерю, чем при тренировке. После тренировки 2000 шагов потеря составляет:
ИНФОРМАЦИЯ: тензорный поток: потеря для последнего шага: 0,01181452
но оценивается как:
Потеря оценки на этапе 2000: 0,41252694
Мне это кажется неправильным. Похоже на ту же проблему, что и в this поток. Есть ли что-то особенное, что нужно учитывать при использовании evaluate
метода Estimator
?
Еще немного о моем коде:
Я определил свою модель (FeatureNet) как здесь как наследование tf.keras.Model
методами init
и call
.
Мой model_fn
выглядит так:
def model_fn(features, labels, mode):
resize_shape = (180, 320)
num_dimensions = 16
model = featurenet.FeatureNet(resize_shape, num_dimensions=num_dimensions)
training = (mode == tf.estimator.ModeKeys.TRAIN)
seg_pred = model(features, training)
predictions = {
# Generate predictions (for PREDICT mode)
"seg_pred": seg_pred
}
if mode == tf.estimator.ModeKeys.PREDICT:
return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
# Calculate Loss (for both TRAIN and EVAL modes)
seg_loss = tf.reduce_mean(tf.keras.backend.binary_crossentropy(labels['seg_true'], seg_pred))
loss = seg_loss
# Configure the Training Op (for TRAIN mode)
if mode == tf.estimator.ModeKeys.TRAIN:
optimizer = tf.train.MomentumOptimizer(learning_rate=1e-4, momentum=0.9)
train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
# Add evaluation metrics (for EVAL mode)
return tf.estimator.EstimatorSpec(mode=mode, loss=loss)
Затем в основной части я тренируюсь и оцениваю с помощью специального оценщика:
# Create the Estimator
estimator = tf.estimator.Estimator(
model_fn=model_fn,
model_dir="/tmp/discriminative_model"
)
def input_fn():
features, labels = create_synthetic_image()
training_data = tf.data.Dataset.from_tensors((features, labels))
training_data = training_data.repeat(None)
training_data = training_data.batch(1)
training_data = training_data.prefetch(1)
return training_data
estimator.train(input_fn=lambda: input_fn(), steps=2000)
eval_results = estimator.evaluate(input_fn=lambda: input_fn(), steps=50)
print('Eval loss at step %d: %s' % (eval_results['global_step'], eval_results['loss']))
Где create_synthetic_image
каждый раз создает одно и то же изображение / метку.