关于python：获取keras模型的学习率

Get learning rate of keras model

我似乎无法获得学习率的值。我得到的是下面。

我已经尝试了 200 个 epoch 的模型，并希望查看/更改学习率。这不是正确的方法吗？

1 2	>>> print(ig_cnn_model.optimizer.lr) <tf.Variable ‘lr_6:0’ shape=() dtype=float32_ref>

使用 keras.backend 中的 eval():

1
2
3
4
5
6
7
8
9
10

import keras.backend as K
from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(1, input_shape=(1,)))
model.add(Dense(1))
model.compile(loss=‘mse’, optimizer=‘adam’)

print(K.eval(model.optimizer.lr))

输出：

0.001

获取与优化器相关的所有信息的最佳方法是使用 .get_config().

示例：

1
2
3
4
5
6
7

model.compile(optimizer=optimizerF,
loss=lossF,
metrics=[‘accuracy’])

model.optimizer.get_config()

>>> {‘name’: ‘Adam’, ‘learning_rate’: 0.001, ‘decay’: 0.0, ‘beta_1’: 0.9, ‘beta_2’: 0.999, ‘epsilon’: 1e-07, ‘amsgrad’: False}

它返回一个包含所有信息的字典。

你可以通过

改变你的学习率

1
2
3
4
5

from keras.optimizers import Adam

model.compile(optimizer=Adam(lr=0.001),
loss=‘categorical_crossentropy’,
metrics=[‘accuracy’])

使用 TensorFlow >=2.0：

1
2
3
4
5
6

In [1]: import tensorflow as tf

In [2]: opt = tf.keras.optimizers.Adam()

In [3]: opt.lr.numpy()
Out[3]: 0.001

lr 只是一个 tf.Variable，所以它的值可以通过 assign() 方法改变：

1
2
3
4
5

In [4]: opt.lr.assign(0.1)
Out[4]: <tf.Variable ‘UnreadVariable’ shape=() dtype=float32, numpy=0.1>

In [5]: opt.lr.numpy()
Out[5]: 0.1

其余的超参数也是如此：

1
2
3
4
5
6
7
8

In [6]: opt.decay.numpy()
Out[6]: 0.0

In [7]: opt.beta_1.numpy()
Out[7]: 0.9

In [8]: opt.beta_2.numpy()
Out[8]: 0.999

一些优化器没有在配置中包含他们的名字。

这是一个完整的示例，说明如何获取配置以及如何从配置中重建(即克隆)优化器(其中也包括学习率)。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

import keras.optimizers as opt

def get_opt_config(optimizer):
"""
Extract Optimizer Configs from an instance of
keras Optimizer
:param optimizer: instance of keras Optimizer.
:return: dict of optimizer configs.
"""
if not isinstance(optimizer, opt.Optimizer):
raise TypeError(‘optimizer should be instance of ‘
‘keras.optimizers.Optimizer ‘
‘Got {}.’.format(type(optimizer)))
opt_config = optimizer.get_config()
if ‘name’ not in opt_config.keys():
_name = str(optimizer.__class__).split(‘.’)[–1] //
.replace(‘/’‘, ”).replace(‘>’, ”)
opt_config.update({‘name’: _name})
return opt_config

def clone_opt(opt_config):
"""
Clone keras optimizer from its configurations.
:param opt_config: dict, keras optimizer configs.
:return: instance of keras optimizer.
"""
if not isinstance(opt_config, dict):
raise TypeError(‘opt_config must be a dict. ‘
‘Got {}’.format(type(opt_config)))
if ‘name’ not in opt_config.keys():
raise ValueError(‘could not find the name of optimizer in opt_config’)
name = opt_config.get(‘name’)
params = {k: opt_config[k] for k in opt_config.keys() if k != ‘name’}
if name.upper() == ‘ADAM’:
return opt.Adam(**params)
if name.upper() == ‘NADAM’:
return opt.Nadam(**params)
if name.upper() == ‘ADAMAX’:
return opt.Adamax(**params)
if name.upper() == ‘ADADELTA’:
return opt.Adadelta(**params)
if name.upper() == ‘ADAGRAD’:
return opt.Adagrad(**params)
if name.upper() == ‘RMSPROP’:
return opt.RMSprop()
if name.upper() == ‘SGD’:
return opt.SGD(**params)
raise ValueError(‘Unknown optimizer name. Available are: ‘
‘(/’adam/’,/’sgd/’, /’rmsprop/’, /’adagrad/’, ‘
‘/’adadelta/’, /’adamax/’, /’nadam/’). ‘
‘Got {}.’.format(name))

测试

1
2
3
4
5
6
7

if __name__ == ‘__main__’:
rmsprop = opt.RMSprop()
configs = get_opt_config(rmsprop)
print(configs)
cloned_rmsprop = clone_opt(configs)
print(cloned_rmsprop)
print(cloned_rmsprop.get_config())

输出

1
2
3

{‘lr’: 0.0010000000474974513, ‘rho’: 0.8999999761581421, ‘decay’: 0.0, ‘epsilon’: 1e-07, ‘name’: ‘RMSprop’}
<keras.optimizers.RMSprop object at 0x7f96370a9358>
{‘lr’: 0.0010000000474974513, ‘rho’: 0.8999999761581421, ‘decay’: 0.0, ‘epsilon’: 1e-07}

另一种方式：

创建优化器实例

opt = keras.optimizers.SGD()

从实例中获取学习率

print(‘learning rate={}’.format(opt.lr.numpy()))

在模型中使用优化器

model.compile(optimizer = opt, …)

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/268027.html

关于python：获取keras模型的学习率

Get learning rate of keras model

相关推荐

发表回复