Keras 模型（tensorflow 后端）在 python 3.5 中训练得非常好，但在 python 2.7 中非常糟糕

Posted 2023-03-13

【中文标题】Keras 模型（tensorflow 后端）在 python 3.5 中训练得非常好，但在 python 2.7 中非常糟糕

【英文标题】：Keras model (tensorflow backend) trains perfectly well in python 3.5 but very bad in python 2.7

【发布时间】：2018-11-25 03:00:11

【问题描述】：

我想做什么 我正在尝试在 Python 2.7 中使用 Keras 和 Tensorflow-GPU 作为后端来训练卷积神经网络 (CNN) 进行图像检测，因为我需要将它与仅支持 Python 2.7（而不是 3.5）的 ROS 动力学一起使用。我的模型是顺序的（代码见下文）。

我正在使用什么 Pycharm-社区 2018.1.4 Keras 2.2.0 TensorFlow-GPU 1.8.0 60000 张输入图像，100x100 像素（3 个通道），3 个类别（“train_set”） 20000 个评估图像，相同尺寸（“evaluation_set”）

什么有效 当使用 Python 3.5 在我的 train_set 上训练模型并使用 Python 3.5 对其进行评估时，它工作得非常好（train_accuracy：0.99874，evaluation_accuracy：0.9993）。

什么不起作用 当使用 Python 2.7 在我的 train_set 上训练模型并使用 Python 2.7 对其进行评估时，我的准确度急剧下降（train_accuracy：0.695，evaluation_accuracy：0.543），这只不过是猜测 3 个类（这将为 0.3333)。 我还尝试在 Python 3.5 中训练模型并在 Python 2.7 中加载它以进行评估和预测，但结果和以前一样差。

在所有情况下，我都使用完全相同的代码：

def build_model(training_input):
    model = Sequential()  
    model.add(Conv2D(32, (3, 3)) # Add some layers

    model.compile(optimizer='RMSprop', loss='categorical_crossentropy', metrics=['accuracy'])

def train():
    input_training = np.array(input_training_list)    # input_training_list is a list containing the imagedata
    labels_training = np.array(label_training_list)    # label_training_list is a list containing the labels corresponding to the imagedata
    model = create_model(input_training)
    history = model.fit(input_training, labels_training, epochs=10, shuffle=True, batch_size=20)
    model.save(model_directory + "my_model.h5")

def evaluation():
    input_evaluation = np.array(input_evaluation_list)
    labels_evaluation = np.array(label_evaluation_list)
    model = load_model(model_directory + "my_model.h5")
    loss, acc = model.evaluate(input_evaluation, labels_evaluation, batch_size=1)

我听说很多人使用不同的计算机或不同版本的 Python 在不同的 Sessions() 中加载相同的模型时遇到问题。但是在这里，相同的架构在两个 Python 版本中给出了完全不同的结果。

【问题讨论】：

如果你只是 model.save_weights() 然后在 Python 2 中重建模型并只是 model.load_weights() 会发生什么？

@nuric 我刚刚在我的工作 Python 3.5 脚本中尝试了 model.save_weights("my_weights.h5")，在 Python 2.7 中构建了相同的模型/架构并将权重加载到该模型中 model.load_weights("my_weights.h5") 。但结果不会改变。让我感到困惑的是，即使在 Python 2.7 中训练模型也会产生如此糟糕的结果。

我会在两个平台上将软件包更新到最新版本，然后重试。

@nuric 两个平台上的所有包都是最新的，我只是重试了一切，没有任何变化。

可能是数据——你是如何得到它的，你有没有检查过它对于两个版本是否一致？

【参考方案1】：

我找到了我的问题的解决方案（感谢 user1735003 关于我的数据的提示）。 我的糟糕结果的原因是由于 Python 2.x 和 Python 3.x 的差异而导致的错误数据实现。在实现我的图像数据时，我使用

for i in range(len(evaluation_files)):
    input_evaluation = np.divide(ndimage.imread(evaluation_files[i]), 255)

但问题是：在 Python 3.x 中，这非常好用，因为两个整数相除会产生浮点数，但在 Python 2.x 中，结果也是整数，所以我的 input_evalution 列表只包含的零。我需要除以 255.0（使结果为浮点数）。

input_evaluation = np.divide(ndimage.imread(evaluation_files[i]), 255.0)

或者从__future__ 导入division 以从python 2 中已有的整数除法中获取浮点结果。

from __future__ import division

在使用 Python 2.x 或 Python 3.x 时存在一些主要差异，您可以在 http://sebastianraschka.com/Articles/2014_python_2_3_key_diff.html 上很好地看到这些差异。

我还管理在 Python 3.5 上训练我的模型，使用 model.save('my_model') 保存它并使用 keras.models.load_model('my_model') 将其加载到 Python 2.7 中，效果非常好。

也可以使用model.save_weights('my_weights') 轻松保存权重，在 Python 2.7 中创建相同架构的新模型（！）并使用 model.load_weights('my_weights') 将权重加载到该模型中，但由于仅加载模型本身就可以工作完全没问题，这样就容易多了。