Tensorflow估计-训练数据的高评价值

Question

我使用Tensorflow 1.10和自定义估计器。为了测试我的训练/评估循环，我每次都把相同的图像/标签输入到网络中，所以我希望网络能够快速收敛，它就是这样做的。

我也用同样的图像来评价，但损失比训练时大得多。在培训2000步之后，损失如下：

信息:tensorflow:最终步骤损失：0.01181452

但评价如下：

步骤2000的Eval损失：0.41252694

这在我看来是不对的。它看起来与这线程中的问题相同。在使用evaluate的Estimator方法时，有什么特别的考虑吗？

关于我的代码的更多细节：

我已经将类似于FeatureNet的模型( 这里 )定义为使用init和call方法继承tf.keras.Model。

我的model_fn看起来是这样的：

def model_fn(features, labels, mode):

    resize_shape = (180, 320)
    num_dimensions = 16

    model = featurenet.FeatureNet(resize_shape, num_dimensions=num_dimensions)

    training = (mode == tf.estimator.ModeKeys.TRAIN)
    seg_pred = model(features, training)

    predictions = {
       # Generate predictions (for PREDICT mode)
       "seg_pred": seg_pred
    }
    if mode == tf.estimator.ModeKeys.PREDICT:
        return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)

    # Calculate Loss (for both TRAIN and EVAL modes)
    seg_loss = tf.reduce_mean(tf.keras.backend.binary_crossentropy(labels['seg_true'], seg_pred))
    loss = seg_loss

    # Configure the Training Op (for TRAIN mode)
    if mode == tf.estimator.ModeKeys.TRAIN:
        optimizer = tf.train.MomentumOptimizer(learning_rate=1e-4, momentum=0.9)

        train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())

        return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)

    # Add evaluation metrics (for EVAL mode)
    return tf.estimator.EstimatorSpec(mode=mode, loss=loss)

然后，在主要部分中，我使用自定义估计器进行培训和评估：

# Create the Estimator
estimator = tf.estimator.Estimator(
    model_fn=model_fn,
    model_dir="/tmp/discriminative_model"
    )

def input_fn():
    features, labels = create_synthetic_image()

    training_data = tf.data.Dataset.from_tensors((features, labels))
    training_data = training_data.repeat(None)
    training_data = training_data.batch(1)
    training_data = training_data.prefetch(1)
    return training_data

estimator.train(input_fn=lambda: input_fn(), steps=2000)
eval_results = estimator.evaluate(input_fn=lambda: input_fn(), steps=50)
print('Eval loss at step %d: %s' % (eval_results['global_step'], eval_results['loss']))

其中create_synthetic_image每次创建相同的图像/标签。

Answer 1

我已经发现，BatchNormalization的处理会导致这样的错误，就像描述的这里一样。

control_dependencies在model-fn中的使用为我解决了这个问题(请看这里)。

if mode == tf.estimator.ModeKeys.TRAIN:
    optimizer = tf.train.MomentumOptimizer(learning_rate=1e-4, momentum=0.9)

    with tf.control_dependencies(model.get_updates_for(features)):
        train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())

    return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)