TensorFlow: Не повторяющиеся результаты

Проблема

У меня есть Python script, который использует TensorFlow для создания многослойной сети персептрона (с выпадением), чтобы выполнять двоичную классификацию. Несмотря на то, что я старался установить как семена Python, так и TensorFlow, я получаю неповторимые результаты. Если я запускаю один раз, а затем снова запускаю, то получаю разные результаты. Я могу даже запустить один раз, выйти из Python, перезапустить Python, запустить снова и получить разные результаты.

Что я пробовал

Я знаю, что некоторые люди задавали вопросы о получении неповторяющихся результатов в TensorFlow (например, "Как получить стабильные результаты..." , "set_random_seed не работает..." , "Как получить воспроизводимый результат в TensorFlow" ), и ответы обычно оказываются быть неправильным использованием/пониманием tf.set_random_seed(). Я постарался реализовать предоставленные решения, но это не решило мою проблему.

Общей ошибкой не является осознание того, что tf.set_random_seed() - это только семя уровня графа, и что запуск script несколько раз изменит график, объясняя неповторяющиеся результаты. Я использовал следующий оператор, чтобы распечатать весь граф и проверить (через diff), что график тот же, даже когда результаты разные.

print [n.name for n in tf.get_default_graph().as_graph_def().node]

Я также использовал вызовы функций, такие как tf.reset_default_graph() и tf.get_default_graph().finalize(), чтобы избежать каких-либо изменений в графике, хотя это, вероятно, слишком велико.

Код (релевантный)

Мой script составляет ~ 360 строк, поэтому вот соответствующие строки (с указанным сокращенным кодом). Любые элементы, которые находятся в ALL_CAPS, являются константами, которые определены в моем блоке Parameters ниже.

import numpy as np
import tensorflow as tf

from copy import deepcopy
from tqdm import tqdm  # Progress bar

# --------------------------------- Parameters ---------------------------------
(snip)

# --------------------------------- Functions ---------------------------------
(snip)

# ------------------------------ Obtain Train Data -----------------------------
(snip)

# ------------------------------ Obtain Test Data -----------------------------
(snip)

random.seed(12345)
tf.set_random_seed(12345)

(snip)

# ------------------------- Build the TensorFlow Graph -------------------------

tf.reset_default_graph()

with tf.Graph().as_default():

    x = tf.placeholder("float", shape=[None, N_INPUT])
    y_ = tf.placeholder("float", shape=[None, N_CLASSES])

    # Store layers weight & bias
    weights = {
        'h1': tf.Variable(tf.random_normal([N_INPUT, N_HIDDEN_1])),
        'h2': tf.Variable(tf.random_normal([N_HIDDEN_1, N_HIDDEN_2])),
        'h3': tf.Variable(tf.random_normal([N_HIDDEN_2, N_HIDDEN_3])),
        'out': tf.Variable(tf.random_normal([N_HIDDEN_3, N_CLASSES]))
    }

    biases = {
        'b1': tf.Variable(tf.random_normal([N_HIDDEN_1])),
        'b2': tf.Variable(tf.random_normal([N_HIDDEN_2])),
        'b3': tf.Variable(tf.random_normal([N_HIDDEN_3])),
        'out': tf.Variable(tf.random_normal([N_CLASSES]))
    }

# Construct model
    pred = multilayer_perceptron(x, weights, biases, USE_DROP_LAYERS, DROP_KEEP_PROB)

    mean1 = tf.reduce_mean(weights['h1'])
    mean2 = tf.reduce_mean(weights['h2'])
    mean3 = tf.reduce_mean(weights['h3'])

    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y_))

    regularizers = (tf.nn.l2_loss(weights['h1']) + tf.nn.l2_loss(biases['b1']) +
                    tf.nn.l2_loss(weights['h2']) + tf.nn.l2_loss(biases['b2']) +
                    tf.nn.l2_loss(weights['h3']) + tf.nn.l2_loss(biases['b3']))

    cost += COEFF_REGULAR * regularizers

    optimizer = tf.train.GradientDescentOptimizer(LEARNING_RATE).minimize(cost)

    out_labels = tf.nn.softmax(pred)

    sess = tf.InteractiveSession()
    sess.run(tf.initialize_all_variables())

    tf.get_default_graph().finalize()  # Lock the graph as read-only

    #Print the default graph in text form    
    print [n.name for n in tf.get_default_graph().as_graph_def().node]

    # --------------------------------- Training ----------------------------------

    print "Start Training"
    pbar = tqdm(total = TRAINING_EPOCHS)
    for epoch in range(TRAINING_EPOCHS):
        avg_cost = 0.0
        batch_iter = 0

        train_outfile.write(str(epoch))

        while batch_iter < BATCH_SIZE:
            train_features = []
            train_labels = []
            batch_segments = random.sample(train_segments, 20)
            for segment in batch_segments:
                train_features.append(segment[0])
                train_labels.append(segment[1])
            sess.run(optimizer, feed_dict={x: train_features, y_: train_labels})
            line_out = "," + str(batch_iter) + "\n"
            train_outfile.write(line_out)
            line_out = ",," + str(sess.run(mean1, feed_dict={x: train_features, y_: train_labels}))
            line_out += "," + str(sess.run(mean2, feed_dict={x: train_features, y_: train_labels}))
            line_out += "," + str(sess.run(mean3, feed_dict={x: train_features, y_: train_labels})) + "\n"
            train_outfile.write(line_out)
            avg_cost += sess.run(cost, feed_dict={x: train_features, y_: train_labels})/BATCH_SIZE
            batch_iter += 1

        line_out = ",,,,," + str(avg_cost) + "\n"
        train_outfile.write(line_out)
        pbar.update(1)  # Increment the progress bar by one

    train_outfile.close()
    print "Completed training"


# ------------------------------ Testing & Output ------------------------------

keep_prob = 1.0  # Do not use dropout when testing

print "now reducing mean"
print(sess.run(mean1, feed_dict={x: test_features, y_: test_labels}))

print "TRUE LABELS"
print(test_labels)
print "PREDICTED LABELS"
pred_labels = sess.run(out_labels, feed_dict={x: test_features})
print(pred_labels)

output_accuracy_results(pred_labels, test_labels)

sess.close()

Что не повторяется

Как вы можете видеть, я выводил результаты в каждую эпоху в файл, а также печатал цифры точности в конце. Ни одно из этих совпадений от запуска до запуска, хотя я считаю, что я правильно установил семя. Я использовал как random.seed(12345), так и tf.set_random_seed(12345)

Пожалуйста, дайте мне знать, если мне нужно предоставить дополнительную информацию. И спасибо за любую помощь.

-DG

Сведения о настройке

TensorFlow версия 0.8.0 (только для процессора)
Enthought Canopy версия 1.7.2 (Python 2.7, а не 3. +)
Версия Mac OS X 10.11.3

Ответ 1

Вам нужно установить начальное значение уровня процесса в дополнение к семантике уровня графа, т.е.

tf.reset_default_graph()
a = tf.constant([1, 1, 1, 1, 1], dtype=tf.float32)
graph_level_seed = 1
operation_level_seed = 1
tf.set_random_seed(graph_level_seed)
b = tf.nn.dropout(a, 0.5, seed=operation_level_seed)

Ответ 2

Смотрите этот тензор проблема github. Некоторые операции на графическом процессоре не полностью детерминированы (скорость и точность).

Я также заметил, что для того, чтобы семя имело какой-либо эффект, tf.set_random_seed(...) нужно вызвать до создания Session. А также вы должны либо полностью перезапустить интерпретатор python при каждом запуске своего кода, либо вызвать tf.reset_default_graph() в начале.

Ответ 3

Просто добавьте в Yaroslav ответ, вы также должны установить семя numpy в дополнение к семенам операций и графа, поскольку некоторые операции с базой данных зависят от numpy. Это сделало трюк для меня np.random.seed() с Tensorflow V 1.1.0

Ответ 4

Что я сделал, чтобы получить воспроизводимые результаты обучения и тестирования огромной сети с использованием тензорного потока.

  • Это проверено на Ubuntu 16.04, tenorflow 1.9.0, python 2.7, как на GPU, так и на CPU
  • Добавьте эти строки кода, прежде чем делать что-либо в вашем коде (первые несколько строк основной функции)
import os
import random
import numpy as np
import tensorflow as tf

SEED = 1  # use this constant seed everywhere

os.environ['PYTHONHASHSEED'] = str(SEED)
random.seed(SEED)  # 'python' built-in pseudo-random generator
np.random.seed(SEED)  # numpy pseudo-random generator
tf.set_random_seed(SEED)  # tensorflow pseudo-random generator
  • Сброс графика по умолчанию перед началом сеанса
tf.reset_default_graph()  # this goes before sess = tf.Session()
  • Найдите все функции тензорного потока в вашем коде, которые принимают seed в качестве аргумента, поместите ваше постоянное seed во все из них (в моем коде используется SEED)

Вот несколько из этих функций: tf.nn.dropout, tf.contrib.layers.xavier_initializer и т.д.

Примечание. Этот шаг может показаться неоправданным, потому что мы уже используем tf.set_random_seed для установки начального числа для тензорного потока, но, поверьте мне, вам это нужно! Смотри ответ Ярослава.