如何在 Tensorflow 的训练之间进行评估

Posted 2023-03-27

【中文标题】如何在 Tensorflow 的训练之间进行评估

【英文标题】：How to put evaluations in between trainings in Tensorflow

【发布时间】：2018-12-09 01:08:06

【问题描述】：

根据我对机器学习的理解（虽然我对它很陌生），模型的评估需要在训练过程中进行。这将避免过度拟合或减少错误预测的可能性。

我尝试修改 Tensorflow 官方网站提供的鲍鱼示例以适合我的项目，我发现代码仅在模型训练完成后才进行一次评估。

这对我来说很奇怪，因为只有一个评估似乎使“评估阶段”变得无用。换句话说，如果训练已经完成，评估有什么用？建立一个更好的模型无济于事，不是吗？

这是我的代码的一部分：

 nn = tf.estimator.Estimator(model_fn=model_fn, params=model_params, model_dir='/tmp/nmos_self_define')

  train_input_fn = tf.estimator.inputs.numpy_input_fn(
      x="x": train_features_numpy,
      y=train_labels_numpy,
      batch_size = 1,
      num_epochs= 1,
      shuffle=True)

  # Train
  nn.train(input_fn=train_input_fn)

  test_input_fn = tf.estimator.inputs.numpy_input_fn(
      x="x": test_features_numpy,
      y=test_labels_numpy,
      batch_size = 1,
      num_epochs= 1,
      shuffle=False)

  ev = nn.evaluate(input_fn=test_input_fn)
  print("Loss: %s" % ev["loss"])
  print("Root Mean Squared Error: %s" % ev["rmse"])    

而通过 Tensorboard 可视化的训练结果是：

如您所见，在训练结束时只发生了一次评估（蓝点）

虽然我不确定损失没有减少是不是因为缺乏评估，但我想知道如何操作代码，以便在训练期间执行评估过程。

感谢您抽出宝贵时间阅读此问题，我很乐意就此问题进行讨论，无论是概念上还是代码方面

【参考方案1】：

模型的评估需要在训练过程中进行。这将避免过度拟合或减少错误预测的可能性。

就其本身而言，在训练时进行评估并不能做任何事情，但它允许操作员跟踪模型在其从未见过的数据上的表现。然后您可以相应地调整超参数（例如学习率或正则化因子）。

我发现代码只在模型训练完成后才进行一次评估。

您提供的代码 sn-p 仅在一个 epoch 训练后运行评估。您应该训练您的模型进行多个 epoch 以获得更好的性能。

附带说明，您应该创建我们所说的“验证集”，它是训练数据的一小部分，算法不会根据这些数据进行训练以进行训练评估。使用您当前的方法，您可能会过度拟合您的测试集。测试集应该很少用于评估模型的真正泛化能力。