使用 Keras，我嘗試使用不同的數(shù)據(jù)分割循環(huán)訓(xùn)練會(huì)話 10 次。不過(guò)，在每個(gè)循環(huán)之后，我的準(zhǔn)確性會(huì)提高很多，可能是因?yàn)樗粫?huì)重置并在新組中看到新數(shù)據(jù)（訓(xùn)練的數(shù)據(jù)可能會(huì)出現(xiàn)在測(cè)試下一個(gè)循環(huán)中）我預(yù)計(jì) model.fit 會(huì)重置它，如公關(guān)所示。這里的答案說(shuō)它是這樣的，但我無(wú)法做到。然后我在循環(huán)開始時(shí)嘗試了 K.clear_session() ，如 pr 所示。示例 1 在這里，但它什么也沒(méi)做。我可以第一次保存未經(jīng)訓(xùn)練的模型并在循環(huán)開始時(shí)重新加載它，但這似乎是一個(gè)不好的方法/不好的做法。我能做什么/我做錯(cuò)了嗎？from tensorflow.keras import backend as Kfor i in range(0, 10): print("Starting loop " + str(i)) K.clear_session() model = keras.Model(inputs=inputs, outputs=outputs, name="SchoolProject") model.compile(loss=tensorflow.keras.losses.binary_crossentropy, optimizer=tensorflow.keras.optimizers.Adam(lr=hpInitialLearningRate), metrics=['accuracy']) trainData, valData, testData, trainTruth, valTruth, testTruth = getTrainValAndTestSet() model.fit(trainData, trainTruth, epochs=hpEpochs, verbose=1, callbacks=callbacks_list, validation_data=(valData, valTruth)) score = model.evaluate(testData, testTruth, verbose=1) print('Test loss:', score[0]) print('Test accuracy:', score[1]) testAccList.append(score[1]) print("Ending loop " + str(i))
1 回答
波斯汪
TA貢獻(xiàn)1811條經(jīng)驗(yàn) 獲得超4個(gè)贊
最簡(jiǎn)單的方法是在循環(huán)內(nèi)定義模型。這是一個(gè)例子。您會(huì)看到每次迭代，準(zhǔn)確性都會(huì)隨機(jī)開始，然后才會(huì)提高。
import tensorflow as tf
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
for i in range(5):
? ? model = tf.keras.Sequential([
? ? ? ? ? ? tf.keras.Input(shape=(28, 28)),
? ? ? ? ? ? tf.keras.layers.Flatten(),
? ? ? ? ? ? tf.keras.layers.Dense(32, activation='relu'),
? ? ? ? ? ? tf.keras.layers.Dense(64, activation='relu'),
? ? ? ? ? ? tf.keras.layers.Dense(10, activation="softmax"),
? ? ? ? ])
? ? model.compile(loss="sparse_categorical_crossentropy", optimizer="adam",
? ? ? ? ? ? ? ? ? metrics=["accuracy"])
? ? model.fit(x_train, y_train, batch_size=16, epochs=1, validation_split=0.1)
手動(dòng)重置權(quán)重稍微復(fù)雜一些。
添加回答
舉報(bào)
0/150
提交
取消