Tensorflow 密集层比 keras 顺序层差答案

【问题标题】：Tensorflow dense layers worse than keras sequentialTensorflow 密集层比 keras 顺序层差
【发布时间】：2018-08-27 13:01:15
【问题描述】：

我尝试在逆摆（类似于购物车杆）问题上训练代理，这是强化学习的基准。我使用神经拟合 Q 迭代算法，该算法使用多层神经网络来评估 Q 函数。

我使用 Keras.Sequential 和 tf.layers.dense 分别构建神经网络，其他一切保持不变。然而，Keras 给了我一个很好的结果，而 tensorflow 没有。事实上，张量流根本不起作用，它的损失在增加，并且代理从训练中没有学到任何东西。

这里我将 Keras 的代码如下所示

def build_model():
    model = Sequential()
    model.add(Dense(5, input_dim=3))
    model.add(Activation('sigmoid'))
    model.add(Dense(5))
    model.add(Activation('sigmoid'))
    model.add(Dense(1))
    model.add(Activation('sigmoid'))
    adam = Adam(lr=1E-3)
    model.compile(loss='mean_squared_error', optimizer=adam)
    return model

张量流版本是

class NFQ_fit(object):
"""
neural network approximator for NFQ iteration
"""

def __init__(self, sess, N_feature, learning_rate=1E-3, batch_size=100):

    self.sess = sess
    self.N_feature = N_feature
    self.learning_rate = learning_rate
    self.batch_size = batch_size

    # DNN structure
    self.inputs = tf.placeholder(tf.float32, [None, N_feature], 'inputs')
    self.labels = tf.placeholder(tf.float32, [None, 1], 'labels')
    self.l1 = tf.layers.dense(inputs=self.inputs,
                         units=5,
                         activation=tf.sigmoid,
                         use_bias=True,
                         kernel_initializer=tf.truncated_normal_initializer(0.0, 1E-2),
                         bias_initializer=tf.constant_initializer(0.0),
                         kernel_regularizer=tf.contrib.layers.l2_regularizer(1E-4),
                         name='hidden-layer-1')
    self.l2 = tf.layers.dense(inputs=self.l1,
                         units=5,
                         activation=tf.sigmoid,
                         use_bias=True,
                         kernel_initializer=tf.truncated_normal_initializer(0.0, 1E-2),
                         bias_initializer=tf.constant_initializer(0.0),
                         kernel_regularizer=tf.contrib.layers.l2_regularizer(1E-4),
                         name='hidden-layer-2')
    self.outputs = tf.layers.dense(inputs=self.l2,
                                   units=1,
                                   activation=tf.sigmoid,
                                   use_bias=True,
                                   kernel_initializer=tf.truncated_normal_initializer(0.0, 1E-2),
                                   bias_initializer=tf.constant_initializer(0.0),
                                   kernel_regularizer=tf.contrib.layers.l2_regularizer(1E-4),
                                   name='outputs')
    # optimization
    # self.mean_loss = tf.losses.mean_squared_error(self.labels, self.outputs)
    self.mean_loss = tf.reduce_mean(tf.square(self.labels-self.outputs))
    self.regularization_loss = tf.losses.get_regularization_loss()
    self.loss = self.mean_loss # + self.regularization_loss
    self.train_op = tf.train.AdamOptimizer(learning_rate=self.learning_rate).minimize(self.loss)

这两个模型是一样的。它们都有两个相同维度的隐藏层。我预计问题可能来自内核初始化，但我不知道如何解决它。

【问题讨论】：

我遇到了同样的问题！仍在寻找答案

标签： tensorflow keras

【解决方案1】：

使用 Keras 很棒。如果您想要更好的 TensorFlow 集成，请查看 tf.keras。如果 Keras（或 tf.keras）默认值更好，则没有特别的理由使用 tf.layers。

在这种情况下glorot_uniform looks like the default initializer。这是also the global TensorFlow default，因此请考虑删除kernel_initializer 参数，而不是问题中显式截断的正常初始化（或passing Glorot explicitly）。

【讨论】：