【tf.keras】tf.keras使用tensorflow中定义的optimizer

标签：datasets   split   nat   variable   神经网络   cto   rate   seq   fit   

我的 tensorflow+keras 版本：

print(tf.VERSION)    # '1.10.0'
print(tf.keras.__version__)    # '2.1.6-tf'

tf.keras 没有实现 AdamW，即 Adam with Weight decay。论文《DECOUPLED WEIGHT DECAY REGULARIZATION》提出，在使用 Adam 时，weight decay 不等于 L2 regularization。具体可以参见 当前训练神经网络最快的方式：AdamW优化算法+超级收敛 或 L2正则=Weight Decay？并不是这样。

keras 中没有实现 AdamW 这个 optimizer，而 tensorflow 中实现了，所以在 tf.keras 中引入 tensorflow 的 optimizer 就好。

如下所示：

import tensorflow as tf
from tensorflow.contrib.opt import AdamWOptimizer

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])

# adam = tf.train.AdamOptimizer()

# adam with weight decay
adamw = AdamWOptimizer(weight_decay=1e-4)

model.compile(optimizer=adamw,
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10, validation_split=0.1)
print(model.evaluate(x_test, y_test))

如果只是像上面这样使用的话，已经没问题了。但是如果要加入 tf.keras.callbacks 中的某些元素，如 tf.keras.callbacks.ReduceLROnPlateau()，可能就会出现异常 AttributeError: ‘TFOptimizer‘ object has no attribute ‘lr‘。

以下代码将出现 AttributeError: ‘TFOptimizer‘ object has no attribute ‘lr‘，就是因为加入了 tf.keras.callbacks.ReduceLROnPlateau()，其它两个 callbacks 不会引发异常。

import tensorflow as tf
from tensorflow.contrib.opt import AdamWOptimizer

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])

# 按照 val_acc 的值来保存模型的参数，val_acc 有提升才保存新的参数
ck_callback = tf.keras.callbacks.ModelCheckpoint('checkpoints/weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5', monitor='val_acc', mode='max',
                                                verbose=1, save_best_only=True, save_weights_only=True)
# 使用 tensorboard 监控训练过程
tb_callback = tf.keras.callbacks.TensorBoard(log_dir='logs')
# 在 patience 个 epochs 内，被监控的 val_loss 都没有下降，那么就降低 learning rate，新的值为 lr = factor * lr_old
lr_callback = tf.keras.callbacks.ReduceLROnPlateau(patience=3)

adam = tf.train.AdamOptimizer()

# adam with weight decay
# adamw = AdamWOptimizer(weight_decay=1e-4)

model.compile(optimizer=adam,
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10, validation_split=0.1, callbacks=[ck_callback, tb_callback, lr_callback])
print(model.evaluate(x_test, y_test))

解决办法如下所示：

import tensorflow as tf
from tensorflow.contrib.opt import AdamWOptimizer
from tensorflow.keras import backend as K
from tensorflow.python.keras.optimizers import TFOptimizer

mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])

# 按照 val_acc 的值来保存模型的参数，val_acc 有提升才保存新的参数
ck_callback = tf.keras.callbacks.ModelCheckpoint('checkpoints/weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5', monitor='val_acc', mode='max',
                                                verbose=1, save_best_only=True, save_weights_only=True)
# 使用 tensorboard 监控训练过程
tb_callback = tf.keras.callbacks.TensorBoard(log_dir='logs')
# 在 patience 个 epochs 内，被监控的 val_loss 都没有下降，那么就降低 learning rate，新的值为 lr = factor * lr_old
lr_callback = tf.keras.callbacks.ReduceLROnPlateau(patience=3)

learning_rate = 0.001
learning_rate = K.variable(learning_rate)

# adam = tf.train.AdamOptimizer()
# # 在 tensorflow 1.10 版中，TFOptimizer 在 tensorflow.python.keras.optimizers 中可以找到，而 tensorflow.keras.optimizers 中没有
# adam = TFOptimizer(adam)
# adam.lr = learning_rate

# adam with weight decay
adamw = AdamWOptimizer(weight_decay=1e-4)
adamw = TFOptimizer(adamw)
adamw.lr = learning_rate

model.compile(optimizer=adamw,
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10, validation_split=0.1, callbacks=[ck_callback, tb_callback, lr_callback])
print(model.evaluate(x_test, y_test))

用 TFOptimizer 包裹一层就行了，这样在使用 tf.keras.callbacks.ReduceLROnPlateau() 时也没有问题了。

在导入 TFOptimizer 时，注意它所在的位置。1.10 版本的 tensorflow 导入 keras 就有两种方式——tensorflow.keras 和 tensorflow.python.keras，这样其实有点混乱，而 TFOptimizer 的导入只在后者能找到。（有点神奇。。。似乎 1.14 版本 tensorflow 去掉了第一种导入方式，但 tensorflow 2.0 又有了。。。）

References

当前训练神经网络最快的方式：AdamW优化算法+超级收敛 -- 机器之心
L2正则=Weight Decay？并不是这样 -- 杨镒铭
ReduceLROnPlateau with native optimizer: ‘TFOptimizer‘ object has no attribute ‘lr‘ #20619

【tf.keras】tf.keras使用tensorflow中定义的optimizer

标签：datasets   split   nat   variable   神经网络   cto   rate   seq   fit   

原文地址：https://www.cnblogs.com/wuliytTaotao/p/10986952.html