keras 一些tips

 

1.顯存佔用問題

由於tensorflow在訓練時默認指定所有GPU的顯存，使用tensorflow後端的keras亦如此

注：雖然佔用了所有GPU的顯存，但實際使用只有指定的GPU。----------（佔着不用）

        （1）禁用gpu  

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"

        （2）指定gpu

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

        （3）同時指定GPU和顯存佔用比例

import os
import tensorflow as tf
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.8
set_session(tf.Session(config=config))

2.將訓練結果保存爲csv格式

hist = model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[ModelCheckpoint('weights/imdb_indrnn_mnist.h5', monitor='val_acc', save_best_only=True, save_weights_only=True, mode='max')])
log = pd.DataFrame(hist.history)
log.to_csv('log.csv')

3.學習率衰減

參考keras官方文檔

ReduceLROnPlateau

keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=10, verbose=0, mode='auto', epsilon=0.0001, cooldown=0, min_lr=0)

reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.2, patience=5, min_lr=0.001)
model.fit(X_train, Y_train, callbacks=[reduce_lr])

自定義learning rate(參考https://blog.csdn.net/xiaojiajia007/article/details/77278315)

from keras.callbacks import LearningRateScheduler
def scheduler(epoch):
    if epoch%2==0 and epoch!=0:
        lr = K.get_value(model.optimizer.lr)
        K.set_value(model.optimizer.lr, lr*.9)
        print("lr changed to {}".format(lr*.9))
    return K.get_value(model.optimizer.lr)
 
lr_decay = LearningRateScheduler(scheduler)
 
model.fit_generator(train_gen, (nb_train_samples//batch_size)*batch_size,
                  nb_epoch=100, verbose=1,
                  validation_data=valid_gen,    nb_val_samples=val_size,
                  callbacks=[lr_decay])

4.保存權重和保存模型

由於直接保存模型（含權重）往往文件太大，一般我們採用保存權重的方法

（1）保存模型+權重

你可以使用model.save(filepath)將Keras模型和權重保存在一個HDF5文件中，該文件將包含：

• 模型的結構，以便重構該模型
• 模型的權重
• 訓練配置（損失函數，優化器等）
• 優化器的狀態，以便於從上次訓練中斷的地方開始

使用keras.models.load_model(filepath)來重新實例化你的模型，如果文件中存儲了訓練配置的話，該函數還會同時完成模型的編譯

from keras.models import load_model
 
model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model
 
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

（2）僅保存權重

model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')