Keras 的交叉验证如何适合?
How does cross validating with Keras fit?
我的数据量相当小,所以我决定尝试交叉验证,以便对所有数据进行预测。像这样:
for train_index, test_index in KFold(9, shuffle = True, random_state = 42).split(range(len(df))):
train_data, test_data = df[train_index], df[test_index]
train_images, test_images = images[train_index], images[test_index]
train_labels, test_labels = labels[train_index], labels[test_index]
model.fit([train_data, train_images], train_labels, epochs = 100, batch_size = 5)
model.predict([test_data, test_images])
据我了解,这样做每次都会训练一个new模型(共9次)。但是,如果是这种情况,那么我的损失输出就没有意义:
顶部的灰色曲线是第一次迭代,它从接近 1 开始,然后下降。随后的迭代都显着降低。
我想了解我在这里做错了什么 - 我想完全训练新网络 9 次,然后每次都得到预测。
当调用 model.fit
时,参数估计将从它停止的地方继续,所以你是对的,一旦你到达循环的第二次迭代,你将使用你在第一次迭代中获得的任何东西.
为避免这种情况,您需要在每次迭代之间重置模型的参数。一种方法是在每次迭代中从头开始简单地创建模型。唯一需要注意的是,默认情况下,权重是用随机值初始化的(以避免 objective 的局部极值),因此如果您只是完全重新初始化模型,您将使用不同的随机起点。为避免这种情况,并确保每次迭代都使用相同的起点,您可以修复初始值(例如,通过修复随机种子),或者直接使用 Keras 给您的值,然后使用 model.save
在第一次迭代之前,load_model
在每次迭代开始时,即做相当于
from keras.models import load_model
model = ...
model.save('initial.h5')
for ... in KFold
model = load_model('initial.h5')
model.fit(...)
model.predict(...)
并不是说您一定要担心这个:您也可以简单地选择将随机初始化视为抽象统计模型的一部分,您正在尝试估计其泛化误差,并且对新的起点感到满意每次迭代。
除了@fuglede,我建议你在model.fit
中使用validation_split
参数。您不需要自己进行拆分。 Keras 负责这件事。
我的数据量相当小,所以我决定尝试交叉验证,以便对所有数据进行预测。像这样:
for train_index, test_index in KFold(9, shuffle = True, random_state = 42).split(range(len(df))):
train_data, test_data = df[train_index], df[test_index]
train_images, test_images = images[train_index], images[test_index]
train_labels, test_labels = labels[train_index], labels[test_index]
model.fit([train_data, train_images], train_labels, epochs = 100, batch_size = 5)
model.predict([test_data, test_images])
据我了解,这样做每次都会训练一个new模型(共9次)。但是,如果是这种情况,那么我的损失输出就没有意义:
顶部的灰色曲线是第一次迭代,它从接近 1 开始,然后下降。随后的迭代都显着降低。
我想了解我在这里做错了什么 - 我想完全训练新网络 9 次,然后每次都得到预测。
当调用 model.fit
时,参数估计将从它停止的地方继续,所以你是对的,一旦你到达循环的第二次迭代,你将使用你在第一次迭代中获得的任何东西.
为避免这种情况,您需要在每次迭代之间重置模型的参数。一种方法是在每次迭代中从头开始简单地创建模型。唯一需要注意的是,默认情况下,权重是用随机值初始化的(以避免 objective 的局部极值),因此如果您只是完全重新初始化模型,您将使用不同的随机起点。为避免这种情况,并确保每次迭代都使用相同的起点,您可以修复初始值(例如,通过修复随机种子),或者直接使用 Keras 给您的值,然后使用 model.save
在第一次迭代之前,load_model
在每次迭代开始时,即做相当于
from keras.models import load_model
model = ...
model.save('initial.h5')
for ... in KFold
model = load_model('initial.h5')
model.fit(...)
model.predict(...)
并不是说您一定要担心这个:您也可以简单地选择将随机初始化视为抽象统计模型的一部分,您正在尝试估计其泛化误差,并且对新的起点感到满意每次迭代。
除了@fuglede,我建议你在model.fit
中使用validation_split
参数。您不需要自己进行拆分。 Keras 负责这件事。