前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Keras Callback之RemoteMonitor

Keras Callback之RemoteMonitor

作者头像
王云峰
发布2019-12-25 16:20:02
8980
发布2019-12-25 16:20:02
举报
文章被收录于专栏:Yunfeng's Simple Blog

概述

Keras提供了一系列的回调函数,用来在训练网络的过程中,查看网络的内部信息,或者控制网络训练的过程。BaseLoggerProgbarLogger用来在命令行输出Log信息(默认会调用), EarlyStoppingReduceLROnPlateu分别用来提前终止训练和自动调整学习率,改变网络训练过程;而今天要介绍的RemoteMonitor则用来实时输出网络训练过程中的结果变化情况,包括训练集准确率(accu)、训练集损失值(loss)、验证集准确率(val_acc)、验证集损失值(val_loss),用户也可以自己修改需要显示的数据。一图胜千言,看看下面的结果图吧:

这个图是在浏览器中打开得到,Keras使用了Flask搭建了一个简单的服务器,然后采用D3.js来可视化数据。下面详细介绍可视化的过程吧

安装依赖

  1. 首先,你得安装Keras: sudo pip install keras或者没有管理员权限的话,执行:pip install --user keras,下同
  2. 安装Flask网络框架: sudo pip install Flask
  3. 安装gevent,gevent是一个并发框架,可以监听网络训练,并将结果传回网络服务,安装命令:sudo pip install gevent

下载 Hualos

这是Keras作者写的Keras可视化的项目,其中包括了D3.js这些数据可视化库,也有一个简单的Flask app,即api.py文件,来运行我们的网络参数可视化。具体安装过程如下:

代码语言:javascript
复制
git clone https://github.com/fchollet/hualos.git
cd hualos
python api.py

这样网络服务器就建立了,该服务会监听http://localhost:9000端口,你打开浏览器访问该网址,会看到一个初始的页面,我们接下来要做的是在训练网络的时候增加回调函数RemoteMonitor,将网络参数显示到该网址的页面上。

在Keras训练网络中加入RemoteMonitor回调函数

这一步只需要在keras的代码里面增加3行即可:

代码语言:javascript
复制
## 1. import RemoteMonitor
from keras.callbacks import RemoteMonitor

## 2. 创建RemoteMonitor对象
remote = RemoteMonitor()

## 3. 在model.fit中增加回调函数设置
model.fit(
	...,
	...,
	callbacks=[remote]
	)

我修改了https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py,增加了以上3行,整个文件如下:

代码语言:javascript
复制
 '''Trains a simple convnet on the MNIST dataset.

Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
from keras.callbacks import RemoteMonitor

batch_size = 128
num_classes = 10
epochs = 40

# input image dimensions
img_rows, img_cols = 28, 28

# the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

remote = RemoteMonitor()
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[remote]
        )
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

注意15、64和70行是我新加的。 修改完文件后,在命令行运行该文件,在浏览器打开http://localhost:9000网址,就可以看到你训练时的参数了。注意结果是每个epoch输出一次。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018-03-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 概述
  • 安装依赖
  • 下载 Hualos
  • 在Keras训练网络中加入RemoteMonitor回调函数
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档