Я пытался реализовать CapsuleNet
для классификации некоторых цифр. Все изображения представляют собой изображения RGB, преобразованные в оттенки серого и имеющие размер 32 X 32
а набор данных имеет 10 классификационных выходных данных.
X_train_all.shape:
(2075, 32, 32, 1)
y_train_all.shape:(2075, 10)
Вот что я пробовал до сих пор.
Сначала определите модель CapsNet
. Ниже приведена основная архитектура Capsule Network, включая PrimaryCaps, DigitCaps и так далее.
def CapsNet(input_shape, n_class, routings):
x = layers.Input(shape=input_shape)
# Layer 1
conv1 = layers.Conv2D()(x)
# Layer 2
primarycaps = PrimaryCap()
# Layer 3
digitcaps = CapsuleLayer()(primarycaps)
# Layer 4
out_caps = Length(name='capsnet')(digitcaps)
# Decoder network.
y = layers.Input()
masked_by_y = Mask()([digitcaps, y])
masked = Mask()(digitcaps)
# Shared Decoder model in training and prediction
decoder = models.Sequential(name='decoder')
decoder.add(layers.Dense(512, activation='relu', input_dim=16*n_class))
decoder.add(layers.Dense(1024, activation='relu'))
decoder.add(layers.Dense(np.prod(input_shape), activation='sigmoid'))
decoder.add(layers.Reshape(target_shape=input_shape, name='out_recon'))
# Models for training and evaluation (prediction)
train_model = models.Model([x, y], [out_caps, decoder(masked_by_y)])
evals_model = models.Model(x, [out_caps, decoder(masked)])
return train_model, evals_model
Это просто возвращает train_model
и eval_model
. Ниже приведен фактический процесс обучения, который я реализовал.
def train_caps(model, data, epoch_size_frac=1.0):
# unpacking the data
(x_train, y_train), (x_val, y_val) = data
# compile the model
model.compile (....)
# --------------Begin Training with data augmentation --------------
def train_generator (...)
# Training with data augmentation.
history = model.fit_generator (...)
return model
Теперь для обучения модели и подгонки к ней данных я использовал метод перекрестной проверки K-Fold. Скажем, это K-Fold = 5. Как и в следующем коде, мы сохраняем 5-кратную модель и сохраняем вес.
cvscores = []
for train, val in kfold.split(X_train_all, y_train_all):
print ('Fold: ', Fold)
# define model
model, eval_model = CapsNet ( ... )
X_train = X_train_all[train]
X_val = X_train_all[val]
y_train = y_train_all[train]
y_val = y_train_all[val]
# train -
train_caps( ... ) # calling actual training
# # Save each fold model
model_name = 'Fold_'+ str(Fold) + '.h5'
model.save(model_name)
# evaluate the model
scores = model.evaluate(X_val, y_val, verbose = 0)
print("%s: %.2f%%" % (model.metrics_names[7], scores[3]*100))
cvscores.append(scores[3] * 100)
Fold = Fold + 1
Проблема возникла в разделе оценки. scores = model.evaluate(X_val, y_val, verbose = 0)
и он показал:
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-36-12f206477b39> in <module>()
----> 1 scores = model.evaluate(X_val, Y_val, verbose = 0)
2 print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 2 array(s), but instead got the following list of 1 arrays: [array([[[[218.],
[1.],
[0.],
...,
[1.],
[1.],
Есть ли другой способ оценить производительность модели и измерить баллы?
При таком подходе как найти лучшую модель? Я думаю, мы можем загрузить верхнюю (предположим) модель 2-кратного сгиба и получить среднее значение оценки или что-то вроде метода ансамбля над ними. Ниже я кое-что попробовал.
def ensemble(models, model_input):
Models_output = [model(model_input) for model in models]
Avg = keras.layers.average(Models_output)
model_Ensemble = Model(inputs = model_input, outputs = Avg, name = 'ens')
model_Ensemble.compile( ... )
return modelEnsemble
И загрузите взвешенное сохранение, чтобы мы получили метод перекрестной проверки K-Fold.
import keras
model_1, eval_model_1 = CapsNet(input_shape=[32, 32, 1],
n_class=10,
routings=3)
model_2, eval_model_2 = CapsNet()
models = []
# Load weights
model_1.load_weights('Fold_1.h5')
model_1.name = 'model_1'
models.append(model_1)
model_2.load_weights('Fold_2.h5')
model_2.name = 'model_2'
models.append(model_2)
model_input = Input(shape=models[0].input_shape[1:])
ensemble_model = ensemble(models, model_input)
Это выдает ошибку следующего. Я знаю, я что-то здесь упускаю, но не могу понять, как справиться с этим.
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-37-8cec3f452a69> in <module>()
4 model_1, eval_model_1 = CapsNet(input_shape=[32, 32, 1],
5 n_class=10,
----> 6 routings=3)
7
8 model_2, eval_model_2 = CapsNet(input_shape=[32, 32, 1],
<ipython-input-31-d96b4a5e15ad> in CapsNet(input_shape, n_class, routings)
44
45 # Shared Decoder model in training and prediction
---> 46 decoder = models.Sequential(name='decoder')
47 decoder.add(layers.Dense(512, activation='relu', input_dim=16*n_class))
48 decoder.add(layers.Dense(1024, activation='relu'))
AttributeError: 'list' object has no attribute 'Sequential'
Если я кратко изложу свой вопрос или проблему, с которой я столкнулся, то я не могу оценить производительность модели с помощью model.evaluate(...,...)
. И далее получение этой ошибки Атрибуции.
Любая помощь или предложение высоко ценится. Благодарю.
Обратите внимание на параметр, train_model
принимает ваш train_model
. Ваша модель поезда имеет 2 входа и 2 выхода. Мы используем model.fit(X,Y)
для обучения модели " один в один" и model.fit([X1,X2], [Y1,Y2])
для обучения модели "два в два". Модель Capsnet два в два, поэтому inputs=[X1,X2]=[x_train, y_train]
и выходы (также цели) = [Y1,Y2]=[y_train,x_train]
. Подробнее об этом.
Теперь, согласно вашей реализации, вы можете оценить производительность вашей модели следующим образом:
scores = model.evaluate([X_val, Y_val], [Y_val, X_val],
verbose=0, batch_size=64)
Я думаю, что произошел конфликт имен. Название модели - ваша функция CapsNet
и метод ensemble
, я думаю, один и тот же.
decoder = models.Sequential(name='decoder')
Название models
совпадает с CapsNet
совпадает со списком моделей, которые вы определили в ensemble
функции. Просто поменяйте имя на любое.
В следующей строке входными данными для train_model является список из двух массивов.
train_model = models.Model([x, y], [out_caps, decoder(masked_by_y)])
Но когда вы вызываете model.evaluate в разделе перекрестной проверки K-Fold, вы передаете в качестве входных данных один массив numpy (X_val).
scores = model.evaluate(X_val, y_val, verbose = 0)
Мне также интересно в этом случае, если вы хотите использовать модель обучения или модель проверки. Исходя из того, как вы вызывали метод и из намерения оценить модель, можно сделать вывод, что вы можете вызвать метод оценки eval_model.
scores = eval_model.evaluate(X_val, y_val, verbose = 0)