我有一个多输出模型,比如这样
input
|
hidden
|
/
/
output1 output2
我可以通过model.train_on_batch(input=input,output=[output1,output2])
来训练这个模型,但在训练的某个特定阶段,我只想训练这个模型的一个分支(output2(,并防止输出1的反向传播。我最初尝试在模型中传递一个None
值model.train_on_batch(input=input,output=[None,output2])
但它显示
属性错误:"NoneType"对象没有属性"形状">
然后我尝试传递输出 1 形状的 NaN 数组model.train_on_batch(input=input,output=[Nan_array,output2])
然后损失变得NaN
。如何在多输出 keras 模型中只训练一个分支,并防止另一个分支的反向传播?
编辑
我试图找到解决这个问题的方法,并遇到了K.stop_gradient
功能。我试图在这样的一个输出模型中停止反向处理
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout
import keras.backend as K
def loss(y_true, y_pred):
return K.stop_gradient(y_pred)
# Generate dummy data
x_train = np.random.random((10, 20))
y_train = np.random.randint(2, size=(10, 1))
x_test = np.random.random((10, 20))
y_test = np.random.randint(2, size=(10, 1))
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss=loss,
optimizer='rmsprop',
metrics=['accuracy'])
model.fit(x_train, y_train,
epochs=1,
batch_size=128)
score = model.evaluate(x_test, y_test, batch_size=128)
但是得到这个错误
值错误:尝试将"x"转换为张量并失败。错误:不支持无值。
创建两个具有共享权重的Model
对象。第一个模型在output=[output1, output2]
上优化,而第二个模型只包含output2
的分支。如果在第二个模型上调用train_on_batch
,则分支 1 中的权重将不会更新。
例如
x = Input(shape=(32,))
hidden = Dense(32)(x)
output1 = Dense(1)(hidden)
output2 = Dense(1)(hidden)
model = Model(x, [output1, output2])
model.compile(loss='mse', optimizer='adam')
model_only2 = Model(x, output2)
model_only2.compile(loss='mse', optimizer='adam')
X = np.random.rand(2, 32)
y1 = np.random.rand(2)
y2 = np.random.rand(2)
# verify: all the weights will change if we train on `model`
w0 = model.get_weights()
model.train_on_batch(X, [y1, y2])
w1 = model.get_weights()
print([np.allclose(x, y) for x, y in zip(w0, w1)])
# => [False, False, False, False, False, False]
# verify: branch 1 will not change if we train on `model_only2`
model_only2.train_on_batch(X, y2)
w2 = model.get_weights()
print([np.allclose(x, y) for x, y in zip(w1, w2)])
# => [False, False, True, True, False, False]
设置图层,例如
layer.trainable = false
所以在训练期间,这一层不会改变权重。
https://keras.io/getting-started/faq/#how-can-i-freeze-keras-layers
您是否尝试过传递None
来像这样编译模型:
model.compile(loss=loss,
optimizer='rmsprop',
metrics=[None, 'accuracy'])
?