时间戳

首页 > 解决方案 > Keras Lambda 层何时生成随机数？

tensorflow - Keras Lambda 层何时生成随机数？

问题描述

我想将简单的数据增强（输入向量乘以随机标量）应用于在 Keras 中实现的完全连接的神经网络。Keras 具有很好的图像增强功能，但尝试使用它对于我的输入（1-张量）来说似乎很尴尬和缓慢，其训练数据集适合我的计算机内存。

相反，我想象我可以使用 Lambda 层来实现这一点，例如：

x = Input(shape=(10,))
y = x
y = Lambda(lambda z: random.uniform(0.5,1.0)*z)(y)
y = Dense(units=5, activation='relu')(y)
y = Dense(units=1, activation='sigmoid')(y)
model = Model(x, y)

我的问题是什么时候会生成这个随机数。这是否会修复一个随机数：

标签： tensorflowlambdakeras

解决方案

使用它将创建一个根本不会改变的常量，因为random.uniform它不是 keras 函数。您在图中将此操作定义为constant * tensor并且因子将是常数。

您需要“来自 keras”或“来自 tensorflow”的随机函数。例如，您可以采取K.random_uniform((1,), 0.5, 1.).

这将按批次更改。您可以通过对这段代码进行大量训练来测试它，并查看损失的变化。

from keras.layers import *
from keras.models import Model
from keras.callbacks import LambdaCallback

import numpy as np


ins = Input((1,))
outs = Lambda(lambda x: K.random_uniform((1,))*x)(ins)
model = Model(ins,outs)

print(model.predict(np.ones((1,1))))
print(model.predict(np.ones((1,1))))
print(model.predict(np.ones((1,1))))

model.compile('adam','mae')
model.fit(np.ones((100000,1)), np.ones((100000,1)))

如果您希望它针对每个训练样本进行更改，则获取一个固定的批量大小并为每个样本生成一个带有随机数的张量：K.random_uniform((batch_size,), .5, 1.).

如果您在自己的生成器中执行此操作，您可能会获得更好的性能model.fit_generator()，但是：

class MyGenerator(keras.utils.Sequence):
    def __init__(self, inputs, outputs, batchSize, minRand, maxRand):
        self.inputs = inputs
        self.outputs = outputs
        self.batchSize = batchSize
        self.minRand = minRand
        self.maxRand = maxRand

    #if you want shuffling
    def on_epoch_end(self):
        indices = np.array(range(len(self.inputs)))
        np.random.shuffle(indices)
        self.inputs = self.inputs[indices]
        self.outputs = self.outputs[indices] 

    def __len__(self):
        leng,rem = divmod(len(self.inputs), self.batchSize)
        return (leng + (1 if rem > 0 else 0))

    def __getitem__(self,i):
        start = i*self.batchSize
        end = start + self.batchSize

        x = self.inputs[start:end] * random.uniform(self.minRand,self.maxRand)
        y = self.outputs[start:end]

        return x,y

推荐阅读