多層感知器
多層感知器（MLP）是由一個輸入層、一個或多個隱藏層和一個稱為輸出層的最終層組成的人工神經網絡（ANN）。通常，靠近輸入層的層稱為較低層，靠近輸出層的層稱為外層。除輸出層外的每一層都包含一個偏置神經元，並與下一層完全相連。
當一個ANN包含一個很深的隱藏層時，它被稱為深度神經網絡（DNN）。
在這項調查中，我們將在MNIST時尚數據集上訓練一個深度MLP，並通過指數增長來尋找最佳學習率，繪製損失圖，並找到損失增長的點，以達到85%以上的準確率。對於最佳實踐，我們將實現早期停止，保存檢查點，並使用TensorBoard繪製學習曲線。
你可以在這裡查看jupyter Notebook:https://github.com/lukenew2/learning_rates_and_best_practices/blob/master/optimal_learning_rates_with_keras_api.ipynb
指數學習率
學習率可以說是最重要的超參數。一般情況下，最佳學習速率約為最大學習速率（即訓練算法偏離的學習速率）的一半。找到一個好的學習率的一個方法是訓練模型進行幾百次迭代，從非常低的學習率（例如，1e-5）開始，逐漸增加到非常大的值（例如，10）。
這是通過在每次迭代時將學習速率乘以一個常數因子來實現的。如果你將損失描繪為學習率的函數，你應該首先看到它在下降。但過一段時間後，學習率會太高，因此損失會迅速回升：最佳學習率將略低於轉折點。然後，你可以重新初始化你的模型，並使用此良好的學習率對其進行正常訓練。
Keras模型
我們先導入相關庫
import osimport matplotlib.pyplot as pltimport numpy as npimport pandas as pdPROJECT_ROOT_DIR = "."IMAGES_PATH = os.path.join(PROJECT_ROOT_DIR, "images")os.makedirs(IMAGES_PATH, exist_ok=True)def save_fig(fig_id, tight_layout=True, fig_extension="png", resolution=300): path = os.path.join(IMAGES_PATH, fig_id + "." + fig_extension) print("Saving figure", fig_id) if tight_layout: plt.tight_layout() plt.savefig(path, format=fig_extension, dpi=resolution)import tensorflow as tffrom tensorflow import keras接下來加載數據集
(X_train, y_train), (X_test, y_test) = keras.datasets.fashion_mnist.load_data()X_train.shapeX_train.dtype標準化像素
X_valid, X_train = X_train[:5000] / 255.0, X_train[5000:] / 255.0y_valid, y_train = y_train[:5000], y_train[5000:] X_test = X_test / 255.0讓我們快速看一下數據集中的圖像樣本，讓我們感受一下分類任務的複雜性：
class_names = ["T-shirt/top", "Trouser", "Pullover", "Dress", "Coat", "Sandal", "Shirt", "Sneaker", "Bag", "Ankle boot"]n_rows = 4n_cols = 10plt.figure(figsize=(n_cols * 1.2, n_rows * 1.2))for row in range(n_rows): for col in range(n_cols): index = n_cols * row + col plt.subplot(n_rows, n_cols, index + 1) plt.imshow(X_train[index], cmap="binary", interpolation="nearest") plt.axis('off') plt.title(class_names[y_train[index]], fontsize=12)plt.subplots_adjust(wspace=0.2, hspace=0.5)save_fig('fashion_mnist_plot', tight_layout=False)plt.show()
我們已經準備好用Keras來建立我們的MLP。下面是一個具有兩個隱藏層的分類MLP：
model = keras.models.Sequential([ keras.layers.Flatten(input_shape=[28,28]), keras.layers.Dense(300, activation="relu"), keras.layers.Dense(100, activation="relu"), keras.layers.Dense(10, activation="softmax")])讓我們一行一行地看這個代碼：
首先，我們創建了一個Sequential模型，它是神經網絡中最簡單的Keras模型，它只由一堆按順序連接的層組成。接下來，我們構建第一層並將其添加到模型中。它是一個Flatten層，其目的是將每個輸入圖像轉換成一個1D數組：如果它接收到輸入數據X，則計算X.reshape（-1，1）。因為它是模型的第一層，所以應該指定輸入形狀。或者，你可以添加keras.layers.InputLayer作為第一層，設置其input_shape=[28,28]下一步，我們添加一個300個神經元的隱藏層，並指定它使用ReLU激活函數。每一個全連接層管理自己的權重矩陣，包含神經元與其輸入之間的所有連接權重。它還管理一個偏置向量，每個神經元一個。然後我們添加了第二個100個神經元的隱藏層，同樣使用ReLU激活函數。最後，我們使用softmax激活函數添加了一個包含10個神經元的輸出層（因為我們執行的分類是每個類都是互斥的）。使用回調
在Keras中，fit()方法接受一個回調參數，該參數允許你指定Keras將在訓練開始和結束、每個epoch的開始和結束時，甚至在處理每個batch處理之前和之後要調用對象的列表。
為了實現指數級增長的學習率，我們需要創建自己的自定義回調。我們的回調接受一個參數，用於提高學習率的因子。為了將損失描繪成學習率的函數，我們跟蹤每個batch的速率和損失。
請注意，我們將函數定義為on_batch_end()，這取決於我們的目標。當然也可以是on_train_begin(), on_train_end(), on_batch_begin()。對於我們的用例，我們希望在每個批處理之後提高學習率並記錄損失：
K = keras.backendclass ExponentialLearningRate(keras.callbacks.Callback): def __init__(self, factor): self.factor = factor self.rates = [] self.losses = [] def on_batch_end(self, batch, logs): self.rates.append(K.get_value(self.model.optimizer.lr)) self.losses.append(logs["loss"]) K.set_value(self.model.optimizer.lr, self.model.optimizer.lr * self.factor)現在我們的模型已經創建好了，我們只需調用它的compile()方法來指定要使用的loss函數和優化器。或者，你可以指定要在訓練和評估期間計算的額外指標列表。
首先，我們使用「稀疏的分類交叉熵」損失，因為我們有稀疏的標籤（也就是說，對於每個實例，只有一個目標類索引，在我們的例子中，從0到9），並且這些類是互斥的）。接下來，我們指定使用隨機梯度下降，並將學習速率初始化為1e-3，並在每次迭代中增加0.5%：
model.compile(loss="sparse_categorical_crossentropy", optimizer=keras.optimizers.SGD(lr=1e-3), metrics=["accuracy"])expon_lr = ExponentialLearningRate(factor=1.005)現在讓我們只在一個epoch訓練模型：
history = model.fit(X_train, y_train, epochs=1, validation_data=(X_valid, y_valid), callbacks=[expon_lr])我們現在可以將損失繪製為學習率的函數：
plt.plot(expon_lr.rates, expon_lr.losses)plt.gca().set_xscale('log')plt.hlines(min(expon_lr.losses), min(expon_lr.rates), max(expon_lr.rates))plt.axis([min(expon_lr.rates), max(expon_lr.rates), 0, expon_lr.losses[0]])plt.xlabel("Learning rate")plt.ylabel("Loss")save_fig("learning_rate_vs_loss")
正如我們所期望的，隨著學習率的提高，最初的損失逐漸減少。但過了一段時間，學習率太大，導致損失反彈：最佳學習率將略低於損失開始攀升的點（通常比轉折點低10倍左右）。我們現在可以重新初始化我們的模型，並使用良好的學習率對其進行正常訓練。
還有更多的學習率技巧，包括創建學習進度表，我希望在以後的調查中介紹，但對如何手動選擇好的學習率有一個直觀的理解同樣重要。
我們的損失在3e-1左右開始反彈，所以讓我們嘗試使用2e-1作為我們的學習率：
keras.backend.clear_session()np.random.seed(42)tf.random.set_seed(42)model = keras.models.Sequential([ keras.layers.Flatten(input_shape=[28, 28]), keras.layers.Dense(300, activation="relu"), keras.layers.Dense(100, activation="relu"), keras.layers.Dense(10, activation="softmax")])model.compile(loss="sparse_categorical_crossentropy", optimizer=keras.optimizers.SGD(lr=2e-1), metrics=["accuracy"])使用TensorBoard進行可視化
TensorBoard是一個很好的交互式可視化工具，你可以使用它查看訓練期間的學習曲線、比較學習曲線、可視化計算圖、分析訓練統計數據、查看模型生成的圖像，可視化複雜的多維數據投影到三維和自動聚類，等等！這個工具是在安裝TensorFlow時自動安裝的，所以你應該已經安裝了。
讓我們首先定義將用於TensorBoard日誌的根日誌目錄，再加上一個小函數，該函數將根據當前時間生成一個子目錄路徑，以便每次運行時它都是不同的。你可能需要在日誌目錄名稱中包含額外的信息，例如正在測試的超參數值，以便更容易地了解你在TensorBoard中查看的內容：
root_logdir = os.path.join(os.curdir, "my_logs")def get_run_logdir(): import time run_id = time.strftime("run_%Y_%m_%d-%H_%M_%S") return os.path.join(root_logdir, run_id)run_logdir = get_run_logdir() # 例如, './my_logs/run_2020_07_31-15_15_22'Keras api提供了一個TensorBoard()回調函數。TensorBoard()回調函數負責創建日誌目錄,並在訓練時創建事件文件和編寫摘要(摘要是一種二進位數據記錄用於創建可視化TensorBoard)。
每次運行有一個目錄，每個目錄包含一個子目錄，分別用於訓練日誌和驗證日誌。兩者都包含事件文件，但訓練日誌也包含分析跟蹤：這使TensorBoard能夠準確地顯示模型在模型的每個部分（跨越所有設備）上花費了多少時間，這對於查找性能瓶頸非常有用。
early_stopping_cb = keras.callbacks.EarlyStopping(patience=20)checkpoint_cb = keras.callbacks.ModelCheckpoint("my_fashion_mnist_model.h5", save_best_only=True)tensorboard_cb = keras.callbacks.TensorBoard(run_logdir)history = model.fit(X_train, y_train, epochs=100, validation_data=(X_valid, y_valid), callbacks=[early_stopping_cb, checkpoint_cb, tensorboard_cb])接下來，我們需要啟動TensorBoard伺服器。我們可以通過運行以下命令在Jupyter中直接執行此操作。第一行加載TensorBoard擴展，第二行啟動埠6004上的TensorBoard伺服器，並連接到它：
%load_ext tensorboard %tensorboard — logdir=./my_logs — port=6004現在你應該可以看到TensorBoard的web界面。單擊「scaler」選項卡以查看學習曲線。在左下角，選擇要可視化的日誌（例如，第一次運行的訓練日誌），然後單擊epoch_loss scaler。請注意，在我們的訓練過程中，訓練損失下降得很順利。
你還可以可視化整個圖形、學習的權重（投影到3D）或分析軌跡。TensorBoard()回調函數也有記錄額外數據的選項，例如NLP數據集的嵌入。
這實際上是一個非常有用的可視化工具。
結論
在這裡我們得到了88%的準確率，這是我們可以達到的最好的深度MLP。如果我們想進一步提高性能，我們可以嘗試卷積神經網絡（CNN），它對圖像數據非常有效。
就我們的目的而言，這就足夠了。我們學會了如何：
使用Keras的Sequential API構建深度mlp。通過按指數增長學習率，繪製損失圖，並找到損失重新出現的點，來找到最佳學習率。構建深度學習模型時的最佳實踐，包括使用回調和使用TensorBoard可視化學習曲線。如果你想在這裡看到演示幻燈片或jupyterNotebook中完整的代碼和說明，請隨時查看Github存儲庫：https://github.com/lukenew2/learning_rates_and_best_practices
額外的資源
https://www.tensorflow.org/tensorboard/get_started
https://towardsdatascience.com/learning-rate-schedules-and-adaptive-learning-rate-methods-for-deep-learning-2c8f433990d1