使用 tf.estimator 提前停止，如何？

Question

我在 TensorFlow 1.4 中使用 tf.estimator，tf.estimator.train_and_evaluate 很棒，但我需要尽早停止。添加它的首选方式是什么？

我认为在某处有一些tf.train.SessionRunHook。我看到有一个带有ValidationMonitor 的旧 contrib 包似乎已经提前停止，但它似乎在 1.4 中不再存在。或者将来首选的方式是依靠tf.keras（提前停止真的很容易）而不是tf.estimator/tf.layers/tf.data，也许？

Answer 1

好消息！ tf.estimator 现在对 master 提供了提前停止支持，看起来它将在 1.10 中。

estimator = tf.estimator.Estimator(model_fn, model_dir)

os.makedirs(estimator.eval_dir())  # TODO This should not be expected IMO.

early_stopping = tf.contrib.estimator.stop_if_no_decrease_hook(
    estimator,
    metric_name='loss',
    max_steps_without_decrease=1000,
    min_steps=100)

tf.estimator.train_and_evaluate(
    estimator,
    train_spec=tf.estimator.TrainSpec(train_input_fn, hooks=[early_stopping]),
    eval_spec=tf.estimator.EvalSpec(eval_input_fn))

Answer 2

首先，您必须命名损失以使其可用于提前停止调用。如果您的损失变量在估计器中被命名为“损失”，则行

copyloss = tf.identity(loss, name="loss")

它的正下方会起作用。

然后，使用此代码创建一个挂钩。

class EarlyStopping(tf.train.SessionRunHook):
    def __init__(self,smoothing=.997,tolerance=.03):
        self.lowestloss=float("inf")
        self.currentsmoothedloss=-1
        self.tolerance=tolerance
        self.smoothing=smoothing
    def before_run(self, run_context):
        graph = ops.get_default_graph()
        #print(graph)
        self.lossop=graph.get_operation_by_name("loss")
        #print(self.lossop)
        #print(self.lossop.outputs)
        self.element = self.lossop.outputs[0]
        #print(self.element)
        return tf.train.SessionRunArgs([self.element])
    def after_run(self, run_context, run_values):
        loss=run_values.results[0]
        #print("loss "+str(loss))
        #print("running average "+str(self.currentsmoothedloss))
        #print("")
        if(self.currentsmoothedloss<0):
            self.currentsmoothedloss=loss*1.5
        self.currentsmoothedloss=self.currentsmoothedloss*self.smoothing+loss*(1-self.smoothing)
        if(self.currentsmoothedloss<self.lowestloss):
            self.lowestloss=self.currentsmoothedloss
        if(self.currentsmoothedloss>self.lowestloss+self.tolerance):
            run_context.request_stop()
            print("REQUESTED_STOP")
            raise ValueError('Model Stopping because loss is increasing from EarlyStopping hook')

这会将指数平滑的损失验证与其最低值进行比较，如果它高于容差，则停止训练。如果它停止得太早，提高容差和平滑会使它停止得更晚。保持平滑低于 1，否则它永远不会停止。

如果您想根据不同的条件停止，可以将 after_run 中的逻辑替换为其他内容。

现在，将此挂钩添加到评估规范中。您的代码应如下所示：

eval_spec=tf.estimator.EvalSpec(input_fn=lambda:eval_input_fn(batchsize),steps=100,hooks=[EarlyStopping()])#

重要提示：函数 run_context.request_stop() 在 train_and_evaluate 调用中被破坏，并且不会停止训练。所以，我提出了一个价值错误来停止训练。因此，您必须将 train_and_evaluate 调用包装在 try catch 块中，如下所示：

try:
    tf.estimator.train_and_evaluate(classifier,train_spec,eval_spec)
except ValueError as e:
    print("training stopped")

如果你不这样做，当训练停止时代码会崩溃并报错。

Answer 3

另一个不使用钩子的选项是创建一个tf.contrib.learn.Experiment（即使在contrib 中，它似乎也支持新的tf.estimator.Estimator）。

然后通过（显然是实验性的）方法continuous_train_and_eval 和适当定制的continuous_eval_predicate_fn 进行训练。

根据 tensorflow 文档，continuous_eval_predicate_fn 是

判断每次迭代后是否继续 eval 的谓词函数。

并使用上次评估运行的eval_results 调用。对于提前停止，使用一个自定义函数，该函数将当前最佳结果和计数器保持状态，并在达到提前停止条件时返回False。

添加注意事项：此方法将使用 tensorflow 1.7 已弃用的方法（从该版本开始，所有 tf​​.contrib.learn 均已弃用：https://www.tensorflow.org/api_docs/python/tf/contrib/learn）

Answer 4

是的，有tf.train.StopAtStepHook：

此挂钩请求在执行了多个步骤或到达最后一步后停止。只能指定两个选项之一。

您还可以扩展它并根据步骤结果实施自己的停止策略。

class MyHook(session_run_hook.SessionRunHook):
  ...
  def after_run(self, run_context, run_values):
    if condition:
      run_context.request_stop()