Python 更改验证步骤的Keras模型
我有一个在训练和推理过程中不同的模型。更准确地说,它是一个SSD(单激发检测器),需要在其训练对应物的顶部添加额外的DetectionOutput层。在Caffe中,可以使用图层定义中的“include”参数打开/关闭图层 但是,如果我希望在每个历元之后(在回调中)运行验证,那么在定义和编译模型之后应该怎么做 我无法在培训期间添加DetectionOutput,因为它与loss的输入不兼容 我还希望避免在回调或自定义度量中的某个位置创建DetectionOutput层,因为它需要合理的超参数,并且我希望将模型创建逻辑保留在专用模块中 在下面的示例中,创建了用于推断的代码模型,其中存在DetectionOutput层。因此,评估运行良好:Python 更改验证步骤的Keras模型,python,tensorflow,keras,Python,Tensorflow,Keras,我有一个在训练和推理过程中不同的模型。更准确地说,它是一个SSD(单激发检测器),需要在其训练对应物的顶部添加额外的DetectionOutput层。在Caffe中,可以使用图层定义中的“include”参数打开/关闭图层 但是,如果我希望在每个历元之后(在回调中)运行验证,那么在定义和编译模型之后应该怎么做 我无法在培训期间添加DetectionOutput,因为它与loss的输入不兼容 我还希望避免在回调或自定义度量中的某个位置创建DetectionOutput层,因为它需要合理的超参数,并
model, _, _ = build_model(input_shape=(args.input_height, args.input_width, 3),
n_classes=num_classes,
mode='inference')
model.load_weights(args.model, by_name=True)
evaluation = SSDEvaluation(model=model,
evaluator=PascalDetectionEvaluator(categories),
data_files=[args.eval_data])
metrics = evaluation.evaluate()
但此回调无法正常工作,因为在训练期间,模型没有DetectionOutput:
class SSDTensorboard(Callback):
def __init__(self, evaluator, eval_data):
self.evaluator = evaluator
self.eval_data = eval_data
def on_train_begin(self, logs={}):
self.metrics = []
def on_epoch_end(self, epoch, logs={}):
evaluation = SSDEvaluation(self.model, self.evaluator, self.eval_data)
metrics = evaluation.evaluate()
self.metrics.append(metrics)
正常进行训练,但在相同重量的修改模型上执行验证步骤的正确方法(肾盂、角膜等)是什么?也许,有一个单独的模型来验证共享权重 您应该使用headless(无检测输出)模型进行培训,但提供一个顶层模型用于评估:
def add_detection_output(model):
# make validation/inference model here
...
evaluation = SSDEvaluation(model=add_detection_output(model),
evaluator=PascalDetectionEvaluator(categories),
data_files=[args.eval_data])
避免在回调中使用培训模型,让评估对象保留对验证模型的引用:
class SSDTensorboard(Callback):
def __init__(self, evaluation):
self.evaluation = evaluation
def on_epoch_end(self, epoch, logs={}):
metrics = self.evaluation.evaluate()