基于 AUC 的提前停止

Posted 2023-03-11

【中文标题】基于 AUC 的提前停止

【英文标题】：Early stopping based on AUC

【发布时间】：2020-11-18 20:57:55

【问题描述】：

我对 ML 相当陌生，目前正在使用 tensorflow 和 keras 在 python 中实现一个简单的 3D CNN。我想根据 AUC 进行优化，并且还想在 AUC 分数方面使用提前停止/保存最佳网络。我一直在使用 tensorflow 的 AUC 函数，如下所示，它在训练中效果很好。但是，未保存 hdf5 文件（尽管检查点 save_best_only=True），因此我无法获得评估的最佳权重。

以下是相关的代码行：

model.compile(loss='binary_crossentropy',
              optimizer=keras.optimizers.Adam(lr=lr),
              metrics=[tf.keras.metrics.AUC()]) 

model.load_weights(path_weights)

filepath = mypath

check = tf.keras.callbacks.ModelCheckpoint(filepath, monitor=tf.keras.metrics.AUC(), save_best_only=True,
                                           mode='auto')

earlyStopping = tf.keras.callbacks.EarlyStopping(monitor=tf.keras.metrics.AUC(), patience=hyperparams['pat'],mode='auto') 

history = model.fit(X_trn, y_trn,
                        batch_size=bs,
                        epochs=n_epochs,
                        verbose=1,
                        callbacks=[check, earlyStopping],
                        validation_data=(X_val, y_val),
                        shuffle=True)

有趣的是，如果我只在早期停止和检查点更改 monitor='val_loss'（而不是 model.compile 中的 'metrics'），hdf5 文件会被保存，但显然在验证损失方面给出了最好的结果。我也尝试过使用 mode='max' 但问题是一样的。 非常感谢您的建议，或任何其他建设性的想法如何解决这个问题。

【参考方案1】：

Djib2011 发布的答案应该可以解决您的问题。我只是想解决提早停止的使用问题。通常，这用于在过度拟合开始导致损失增加时停止训练。我认为直接解决过度拟合问题会更有效，这应该可以让您实现更低的损失。您没有列出您的模型，因此不清楚如何解决过度拟合问题，但一些简单的指导方针如下。如果您在模型顶部有几个密集隐藏层，请删除其中大部分并保留最终的顶部密集层。模型越复杂，就越容易过度拟合。如果这导致训练精度降低，则保留这些层但添加 dropout 层。您也可以尝试在隐藏的密集层中使用正则化。我还发现使用回调 ReduceLROnPlateau 是有益的。设置它来监控 AUC 并在学习率没有提高时降低学习率。

【讨论】：

嗨，Gerry P，非常感谢您提供的额外答案。事实上，我正在使用一个非常简单的带有 dropout 的模型，但现在我也在评估其他正则化方法。我一定会添加你建议的回调！

【参考方案2】：

事实证明，即使你添加了一个非关键字指标，你仍然需要在你想要监控它的时候使用它的句柄来引用它。在您的情况下，您可以这样做：

auc = tf.keras.metrics.AUC()  # instantiate it here to have a shorter handle

model.compile(loss='binary_crossentropy',
              optimizer=keras.optimizers.Adam(lr=lr),
              metrics=[auc]) 

...

check = tf.keras.callbacks.ModelCheckpoint(filepath,
                                           monitor='auc',  # even use the generated handle for monitoring the training AUC
                                           save_best_only=True,
                                           mode='max')  # determine better models according to "max" AUC.

如果你想监控验证AUC（这更有意义），只需在句柄开头添加val_：

check = tf.keras.callbacks.ModelCheckpoint(filepath,
                                           monitor='val_auc',  # validation AUC
                                           save_best_only=True,
                                           mode='max')

另一个问题是您的 ModelCheckpoint 正在根据 最小 AUC 而不是您想要的最大值来保存权重。

这可以通过设置mode='max'来改变。

---

mode='auto' 是做什么的？

此设置实质上检查监视器的参数是否包含'acc' 并将其设置为最大值。在任何其他情况下，它设置使用mode='min'，这就是您的情况。

您可以确认这个here

【讨论】：

我之前用 mode = 'max' 尝试过，但不幸的是它是同样的问题。

也许巡回验证 AUC 没有提高？

是的，它是定义训练并显示训练和验证数据的 auc 和损失

@Sarah2020 原来您还需要稍微更改monitor 参数。我更新了我的答案。

啊哈！非常感谢，现在看起来很明显，但我只是没想到！它现在工作正常:)