如何修改 Tensorflow 2.0 中的 epoch 数？

Posted 2023-03-24

【中文标题】如何修改 Tensorflow 2.0 中的 epoch 数？

【英文标题】：How to modify number of epochs in Tensorflow 2.0?

【发布时间】：2021-10-28 03:23:36

【问题描述】：

我正在构建一个模型，仅通过以下方式检测汽车：

方法：Tensorflow 2.0 和迁移学习 预训练模型：ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8 数据集：coco-2017（仅限汽车类）

完成训练后，我运行模型，得到的准确率约为 50%，total_loss 规模减小但未收敛。您可以查看detected cars 和tensorboard 的两张图片。

很高兴看到 total_loss 减少，但如果模型更加收敛，我可以获得更高的准确度。我已经尝试在 pipeline.config 中使用 num_epochs（从 1 更改为 4），但它不起作用。我认为修改训练的时期数是不正确的参数。

问题：如何在 Tensorflow 2.0 中修改训练模型的 epoch 数？

您可以在下面查看我的文件 pipeline.config。

model 
  ssd 
    num_classes: 1
    image_resizer 
      fixed_shape_resizer 
        height: 320
        width: 320
      
    
    feature_extractor 
      type: "ssd_mobilenet_v2_fpn_keras"
      depth_multiplier: 1.0
      min_depth: 16
      conv_hyperparams 
        regularizer 
          l2_regularizer 
            weight: 4e-05
          
        
        initializer 
          random_normal_initializer 
            mean: 0.0
            stddev: 0.01
          
        
        activation: RELU_6
        batch_norm 
          decay: 0.997
          scale: true
          epsilon: 0.001
        
      
      use_depthwise: true
      override_base_feature_extractor_hyperparams: true
      fpn 
        min_level: 3
        max_level: 7
        additional_layer_depth: 128
      
    
    box_coder 
      faster_rcnn_box_coder 
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      
    
    matcher 
      argmax_matcher 
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
        use_matmul_gather: true
      
    
    similarity_calculator 
      iou_similarity 
      
    
    box_predictor 
      weight_shared_convolutional_box_predictor 
        conv_hyperparams 
          regularizer 
            l2_regularizer 
              weight: 4e-05
            
          
          initializer 
            random_normal_initializer 
              mean: 0.0
              stddev: 0.01
            
          
          activation: RELU_6
          batch_norm 
            decay: 0.997
            scale: true
            epsilon: 0.001
          
        
        depth: 128
        num_layers_before_predictor: 4
        kernel_size: 3
        class_prediction_bias_init: -4.6
        share_prediction_tower: true
        use_depthwise: true
      
    
    anchor_generator 
      multiscale_anchor_generator 
        min_level: 3
        max_level: 7
        anchor_scale: 4.0
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        scales_per_octave: 2
      
    
    post_processing 
      batch_non_max_suppression 
        score_threshold: 1e-08
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
        use_static_shapes: false
      
      score_converter: SIGMOID
    
    normalize_loss_by_num_matches: true
    loss 
      localization_loss 
        weighted_smooth_l1 
        
      
      classification_loss 
        weighted_sigmoid_focal 
          gamma: 2.0
          alpha: 0.25
        
      
      classification_weight: 1.0
      localization_weight: 1.0
    
    encode_background_as_zeros: true
    normalize_loc_loss_by_codesize: true
    inplace_batchnorm_update: true
    freeze_batchnorm: false
  

train_config 
  batch_size: 4
  data_augmentation_options 
    random_horizontal_flip 
    
  
  data_augmentation_options 
    random_crop_image 
      min_object_covered: 0.0
      min_aspect_ratio: 0.75
      max_aspect_ratio: 3.0
      min_area: 0.75
      max_area: 1.0
      overlap_thresh: 0.0
    
  
  sync_replicas: true
  optimizer 
    momentum_optimizer 
      learning_rate 
        cosine_decay_learning_rate 
          learning_rate_base: 0.0008
          total_steps: 50000
          warmup_learning_rate: 0.00026666
          warmup_steps: 1000
        
      
      momentum_optimizer_value: 0.9
    
    use_moving_average: false
  
  fine_tune_checkpoint: "Tensorflow/workspace/pre-trained-models/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8/checkpoint/ckpt-0"
  num_steps: 50000
  startup_delay_steps: 0.0
  replicas_to_aggregate: 8
  max_number_of_boxes: 100
  unpad_groundtruth_tensors: false
  fine_tune_checkpoint_type: "detection"
  fine_tune_checkpoint_version: V2

train_input_reader 
  label_map_path: "Tensorflow/workspace/annotations/label_map.pbtxt"
  tf_record_input_reader 
    input_path: "Tensorflow/workspace/annotations/train.record"
  

eval_config 
  metrics_set: "coco_detection_metrics"
  use_moving_averages: false

eval_input_reader 
  label_map_path: "Tensorflow/workspace/annotations/label_map.pbtxt"
  shuffle: false
  num_epochs: 4
  tf_record_input_reader 
    input_path: "Tensorflow/workspace/annotations/test.record"
  

【问题讨论】：

如果你想训练更长时间，你应该增加num_steps。 num_steps 根据 batch_size 设置您将使用多少训练步骤。 batch_size 为 100 且 num_steps 设置为 50 将等于总共处理 5000 张图像。

@Araw 感谢您的快速回复！你是对的。我的老师也为我解释了这一点。您可以在下面查看我的答案。

【参考方案1】：

我的老师说我需要增加 epoch 以获得更好的结果。我试图找到 epoch 的参数，但在 tensorflow（没有 keras）中，我找不到它。所以我的老师解释说我可以像这样修改num_steps并计算epoch：

总图像 = 12000（用于训练的图像）

batch_size = 4

=> 1 epoch = 12000/4 = 3000 步

所以当 num_steps = 10000 时，我有大约 3 个时期（10000/3000）。所以如果我想修改epoch，我只需要修改num_steps（total images和batch_size都是固定的）。