在神经网络训练的以下Keras和Tensorflow实现中,Keras实现中的model.train_on_batch([x], [y])
与Tensorflow实现中的sess.run([train_optimizer, cross_entropy, accuracy_op], feed_dict=feed_dict)
有何不同?特别是:这两条线如何在训练中导致不同的计算?公司名称:
keras公司_版本.py
input_x = Input(shape=input_shape, name="x")
c = Dense(num_classes, activation="softmax")(input_x)
model = Model([input_x], [c])
opt = Adam(lr)
model.compile(loss=['categorical_crossentropy'], optimizer=opt)
nb_batchs = int(len(x_train)/batch_size)
for epoch in range(epochs):
loss = 0.0
for batch in range(nb_batchs):
x = x_train[batch*batch_size:(batch+1)*batch_size]
y = y_train[batch*batch_size:(batch+1)*batch_size]
loss_batch, acc_batch = model.train_on_batch([x], [y])
loss += loss_batch
print(epoch, loss / nb_batchs)
张量流_版本.py
^{pr2}$注意:这个问题跟在Same (?) model converges in Keras but not in Tensorflow后面,这个问题被认为太宽泛了,但是我在这个问题中确切地说明了为什么我认为这两个陈述在某种程度上是不同的,并且导致了不同的计算。
是的,结果可能不同。如果你事先知道以下几点,结果应该不会令人惊讶:
corss-entropy
的实现是不同的。Tensorflow假设tf.nn.softmax_cross_entropy_with_logits_v2
的输入是原始的非规范化逻辑,而Keras
接受输入作为概率optimizers
的实现是不同的。在相关问题 更多 >
编程相关推荐