使用K.function()调试keras

Keras的底层库使用Theano或TensorFlow,这两个库也称为Keras的后端。无论是Theano还是TensorFlow,都需要提前定义好网络的结构,也就是常说的“计算图”。在运行前需要对计算图编译,然后才能输出结果。那这里面主要有两个问题,第一是这个图结构在运行中不能任意更改,比如说计算图中有一个隐含层,神经元的数量是100,你想动态的修改这个隐含层神经元的数量那是不可以的;第二是调试困难,keras没有内置的调试工具,所以计算图的中间结果是很难看到的,一旦最终输出跟预想不一致,很难找到问题所在。

这里谈一谈本人调试keras的一些经验:

分阶段构建你的神经网络

不要一口气把整个网络全部写完,这样很难保证中间结果的正确性。加如一个CNN文本分类模型是这样的(如下代码),应该在加了Embedding层后,停止,打印一下中间结果,看看跟embedding向量能不能对上,输出的shape对不对。对上了再进行下一步操作。

有的人觉得这样很浪费时间,但是除非你能一遍写对,否则你将花上5倍的时间发现错误。

    # model parameters:
 
    embedding_dims = 50
 
    cnn_filters = 100
 
    cnn_kernel_size = 5
 
    dense_hidden_dims = 200

    model = Sequential()
 
    model.add(Embedding(nb_words,embedding_dims,input_length=maxlen))
 
    model.add(Dropout(0.5))
 
    model.add(Conv1D(cnn_filters, cnn_kernel_size,padding='valid', activation='relu'))
 
    model.add(GlobalMaxPooling1D())
 
    model.add(Dense(dense_hidden_dims))
 
    model.add(Dropout(0.5))
 
    model.add(Activation('relu'))
 
    model.add(Dense(1))
 
    model.add(Activation('sigmoid'))
 
    return model

使用K.function()函数打印中间结果

function函数可以接收传入数据,并返回一个numpy数组。使用这个函数我们可以方便地看到中间结果,尤其对于变长输入的Input。下面是官方关于function的文档。

function

keras.backend.function(inputs, outputs, updates=None)

实例化 Keras 函数。

参数

  • inputs: 占位符张量列表。
  • outputs: 输出张量列表。
  • updates: 更新操作列表。
  • **kwargs: 需要传递给 tf.Session.run 的参数。

返回

输出值为 Numpy 数组。

异常

  • ValueError: 如果无效的 kwargs 被传入。

example

下面这个例子是打印一个LSTM层的中间结果,值得注意的是这个LSTM的sequence是变长的,可以看到输出的结果sequence长度分别是64和128

    import keras.backend as K
    from keras.layers import LSTM, Input
    import numpy as np

    I = Input(shape=(None, 200))  
    lstm = LSTM(20, return_sequences=True)
    f = K.function(inputs=[I], outputs=[lstm(I)])

    data1 = np.random.random(size=(2, 64, 200))  
    print(f([data1])[0].shape)

    data2 = np.random.random(size=(2, 128, 200))  
    print(f([data2])[0].shape)

    K.clear_session()

    # (2, 64, 20)
    # (2, 128, 20)

其他的调试技巧

  • 有频繁张量变换操作的,如dot, mat, reshape等等,记得加一行形状变化的注释,如(100, 128)--> (100, 64)
  • 可以使用tensorboard查看网络的参数情况
  • 确保你的数据没有问题,很多时候输出不对不是神经网络有问题,而是数据有问题

reference

http://sujitpal.blogspot.com/2017/10/debugging-keras-networks.html

你可能感兴趣的:(深度学习)