使用 Keras，我嘗試使用不同的數據分割循環訓練會話 10 次。不過，在每個循環之后，我的準確性會提高很多，可能是因為它不會重置并在新組中看到新數據（訓練的數據可能會出現在測試下一個循環中）我預計 model.fit 會重置它，如公關所示。這里的答案說它是這樣的，但我無法做到。然后我在循環開始時嘗試了 K.clear_session() ，如 pr 所示。示例 1 在這里，但它什么也沒做。我可以第一次保存未經訓練的模型并在循環開始時重新加載它，但這似乎是一個不好的方法/不好的做法。我能做什么/我做錯了嗎？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1811條經驗 獲得超4個贊
最簡單的方法是在循環內定義模型。這是一個例子。您會看到每次迭代，準確性都會隨機開始，然后才會提高。
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)
手動重置權重稍微復雜一些。
添加回答
舉報
0/150
提交
取消