我正在比較不同類型數(shù)據(jù)質(zhì)量的擬合精度結(jié)果?！昂脭?shù)據(jù)”是特征值中沒有任何 NA 的數(shù)據(jù)?！皦臄?shù)據(jù)”是特征值中具有 NA 的數(shù)據(jù)。應(yīng)該通過一些值校正來修復(fù)“壞數(shù)據(jù)”。作為值校正，它可能會用零或平均值替換 NA。在我的代碼中，我試圖執(zhí)行多個擬合程序。查看簡化的代碼：from keras import backend as K...xTrainGood = ... # the good version of the xTrain data xTrainBad = ... # the bad version of the xTrain data...model = Sequential()model.add(...)...historyGood = model.fit(..., xTrainGood, ...) # fitting the model with # the original data without # NA, zeroes, or the feature mean values根據(jù)historyGood數(shù)據(jù)查看擬合精度圖：之后，代碼重置存儲的模型并使用“壞”數(shù)據(jù)重新訓(xùn)練模型：K.clear_session()historyBad = model.fit(..., xTrainBad, ...)根據(jù)historyBad數(shù)據(jù)查看擬合過程結(jié)果：可以注意到，初始精度> 0.7，這意味著模型“記住”了之前的擬合。為了比較，這是“壞”數(shù)據(jù)的獨(dú)立擬合結(jié)果：如何將模型重置為“初始”狀態(tài)？
3 回答
慕運(yùn)維8079593
TA貢獻(xiàn)1876條經(jīng)驗(yàn) 獲得超5個贊
K.clear_session()不足以重置狀態(tài)并確?？芍貜?fù)性。您還需要：
設(shè)置（和重置）隨機(jī)種子
重置 TensorFlow 默認(rèn)圖
刪除以前的模型
完成以下各項(xiàng)的代碼。
reset_seeds()
model = make_model() # example function to instantiate model
model.fit(x_good, y_good)
del model
K.clear_session()
tf.compat.v1.reset_default_graph()
reset_seeds()
model = make_model()
model.fit(x_bad, y_bad)
請注意，如果其他變量引用模型，您也應(yīng)該使用del它們 - 例如model = make_model(); model2 = model--> del model, model2- 否則它們可能會持續(xù)存在。最后，tf隨機(jī)種子不像random's 或numpy's 那樣容易重置，并且需要事先清除圖形。
使用的功能/模塊：
import tensorflow as tf
import numpy as np
import random
import keras.backend as K
def reset_seeds():
np.random.seed(1)
random.seed(2)
if tf.__version__[0] == '2':
tf.random.set_seed(3)
else:
tf.set_random_seed(3)
print("RANDOM SEEDS RESET")
狐的傳說
TA貢獻(xiàn)1804條經(jīng)驗(yàn) 獲得超3個贊
您K.clear_session()以錯誤的方式使用，要獲得具有隨機(jī)初始化權(quán)重的模型，您應(yīng)該刪除舊模型（使用del關(guān)鍵字），然后繼續(xù)創(chuàng)建一個新模型，并對其進(jìn)行訓(xùn)練。
您可以K.clear_session()在每次安裝程序后使用。
添加回答
舉報(bào)
0/150
提交
取消