keras BatchNormalization 之坑

任务简述:最近做一个图像分类的任务, 一开始拿vgg跑一个baseline,输出看起来很正常:

 

 

随后,我尝试其他的一些经典的模型架构,比如resnet50, xception,但训练输出显示明显异常:

 

val_loss 一直乱蹦,val_acc基本不发生变化。

检查了输入数据没发现问题,因此怀疑是网络构造有问题, 对比了vgg同xception, resnet在使用layer上的异同,认为问题可能出在BN层上,将vgg添加了BN层之后再训练果然翻车。

 

翻看keras BN 的源码, 原来keras 的BN层的call函数里面有个默认参数traing, 默认是None。此参数意义如下:

training=False/0, 训练时通过每个batch的移动平均的均值、方差去做批归一化,测试时拿整个训练集的均值、方差做归一化

training=True/1/None,训练时通过当前batch的均值、方差去做批归一化,测试时拿整个训练集的均值、方差做归一化

 

 当training=None时,训练和测试的批归一化方式不一致,导致validation的输出指标翻车。

当training=True时,拿训练完的模型预测一个样本和预测一个batch的样本的差异非常大,也就是预测的结果根据batch的大小会不同!导致模型结果无法准确评估!也是个坑!

 

用keras的BN时切记要设置training=False!!!

def build_model():
    Inputs = Input(shape=intput_shape, name='input')
    x_tmp = Lambda(lambda c: tf.image.rgb_to_grayscale(c))(Inputs)
    x_tmp = Conv2D(64, (3, 3), activation='relu')(x_tmp)
    x_tmp = Conv2D(64, (3, 3), activation='relu')(x_tmp)
    x_tmp = BatchNormalization(x_tmp, training=False)
    x_tmp = MaxPooling2D(pool_size=(2, 2))(x_tmp)

    x_tmp = Flatten()(x_tmp)
    x_tmp = Dense(128, activation='relu')(x_tmp)
    outputs = Dense(10, activation='softmax')(x_tmp)
    model = Model(Inputs, outputs)
    return model

 

参考:

https://arxiv.org/pdf/1502.03167v3.pdf

https://github.com/keras-team/keras/blob/master/keras/layers/normalization.py#L16

 

posted on 2019-08-27 18:02  海阔心  阅读(13746)  评论(4编辑  收藏  举报

导航