用深度學(xué)習(xí)每次得到的結(jié)果都不一樣，怎么辦？

本文作者：崔靜闖

2017-06-20 20:33

導(dǎo)語：如何用Keras從神經(jīng)網(wǎng)絡(luò)得到可重復(fù)的結(jié)果。

雷鋒網(wǎng)按：本文作者 Jason Brownlee 為澳大利亞知名機器學(xué)習(xí)專家、教育者，對時間序列預(yù)測尤有心得。原文發(fā)布于其博客。雷鋒網(wǎng)崔靜闖、朱婷編譯。

神經(jīng)網(wǎng)絡(luò)算法利用了隨機性，比如初始化隨機權(quán)重，因此用同樣的數(shù)據(jù)訓(xùn)練同一個網(wǎng)絡(luò)會得到不同的結(jié)果。

初學(xué)者可能會有些懵圈，因為算法表現(xiàn)得不太穩(wěn)定。但實際上它們就是這么設(shè)計的。隨機初始化可以讓網(wǎng)絡(luò)通過學(xué)習(xí)，得到一個所學(xué)函數(shù)的很好的近似。

然而，有時候用同樣的數(shù)據(jù)訓(xùn)練同一個網(wǎng)絡(luò)，你需要每次都得到完全相同的結(jié)果。例如在教學(xué)和產(chǎn)品上。

在這個教程中，你會學(xué)到怎樣設(shè)置隨機數(shù)生成器，才能每次用同樣的數(shù)據(jù)訓(xùn)練同一網(wǎng)絡(luò)時，都能得到同樣的結(jié)果。

我們開始。

教程概覽

這個教程分為六部分：

為啥我每次得到的結(jié)果都不一樣？
不同結(jié)果的演示
解決方法
用Theano 后端設(shè)置隨機數(shù)種子
用TensorFlow 后端設(shè)置隨機數(shù)種子
得到的結(jié)果還是不同，咋辦？

運行環(huán)境

該教程需要你安裝了Python SciPy。你能用Python2或3來演示這個例子
需要你安裝Keras (v2.0.3+)，后臺為TensorFlow (v1.1.0+)或Theano (v0.9+)
還需要你安裝了scikit-learn，Pandas，NumPy以及Matplotlib

如果在Python環(huán)境的設(shè)置方面需要幫助，請看下面這個帖子：

How to Setup a Python Environment for Machine Learning and Deep Learning with Anaconda

為啥我每次得到的結(jié)果都不一樣？

我發(fā)現(xiàn)這對神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的初學(xué)者而言是個常見問題。

這種誤解可能出于以下問題：

我如何得到穩(wěn)定的結(jié)果？
我如何得到可重復(fù)的結(jié)果
我應(yīng)該如何設(shè)置種子點

神經(jīng)網(wǎng)絡(luò)特意用隨機性來保證，能通過有效學(xué)習(xí)得到問題的近似函數(shù)。采用隨機性的原因是：用它的機器學(xué)習(xí)算法，要比不用它的效果更好。

在神經(jīng)網(wǎng)絡(luò)中，最常見的利用隨機性的方式是網(wǎng)絡(luò)權(quán)值的隨機初始化，盡管在其他地方也能利用隨機性，這有一個簡短的清單：

初始化的隨機性，比如權(quán)值
正則化的隨機性，比如dropout
層的隨機性，比如詞嵌入
最優(yōu)化的隨機性，比如隨機優(yōu)化

這些甚至更多的隨機性來源意味著，當(dāng)你對同一數(shù)據(jù)運行同一個神經(jīng)網(wǎng)絡(luò)算法時，注定得到不同的結(jié)果。

想了解更多關(guān)于隨機算法的原委，參考下面的帖子

Embrace Randomness in Machine Learning

不同結(jié)果的演示

我們可以用一個小例子來演示神經(jīng)網(wǎng)絡(luò)的隨機性.

在這一節(jié)中，我們會建立一個多層感知器模型來學(xué)習(xí)一個以0.1為間隔的從0.0到0.9的短序列。給出0.0，模型必須預(yù)測出0.1；給出0.1，模型必須預(yù)測出0.2；以此類推。

下面是準(zhǔn)備數(shù)據(jù)的代碼

# create sequence
length = 10
sequence = [i/float(length) for i in range(length)]
# create X/y pairs
df = DataFrame(sequence)
df = concat([df.shift(1), df], axis=1)
df.dropna(inplace=True)
# convert to MLPfriendly format
values = df.values
X, y = values[:,0], values[:,1]

我們要用的網(wǎng)絡(luò)，有1個輸入，10個隱層節(jié)點和1個輸出。這個網(wǎng)絡(luò)將采用均方差作為損失函數(shù)，用高效的ADAM算法來訓(xùn)練數(shù)據(jù)

這個網(wǎng)絡(luò)需要約1000輪才能有效的解決這個問題，但我們只對它訓(xùn)練100輪。這樣是為了確保我們在預(yù)測時能得到一個有誤差的模型。

網(wǎng)絡(luò)訓(xùn)練完之后，我們要對數(shù)據(jù)集進行預(yù)測并且輸出均方差
建立網(wǎng)絡(luò)的代碼如下
# design network
model = Sequential()
model.add(Dense(10, input_dim=1))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# fit network
model.fit(X, y, epochs=100, batch_size=len(X), verbose=0)
# forecast
yhat = model.predict(X, verbose=0)
print(mean_squared_error(y, yhat[:,0]))

在這個例子中，我們要建立10次網(wǎng)絡(luò)并且輸出10個不同的網(wǎng)絡(luò)得分

完整的代碼如下

from pandas import DataFrame
from pandas import concat
from keras.models import Sequential
from keras.layers import Dense
from sklearn.metrics import mean_squared_error

# fit MLP to dataset and print error
def fit_model(X, y):
# design network
model = Sequential()
model.add(Dense(10, input_dim=1))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# fit network
model.fit(X, y, epochs=100, batch_size=len(X), verbose=0)
# forecast
yhat = model.predict(X, verbose=0)
print(mean_squared_error(y, yhat[:,0]))

# create sequence
length = 10
sequence = [i/float(length) for i in range(length)]
# create X/y pairs
df = DataFrame(sequence)
df = concat([df.shift(1), df], axis=1)
df.dropna(inplace=True)
# convert to MLP friendly format
values = df.values
X, y = values[:,0], values[:,1]
# repeat experiment
repeats = 10
for _ in range(repeats):
fit_model(X, y)

運行這個例子會在每一行輸出一個不同的精確值，具體結(jié)果也都不同。

下面是一個輸出的示例

0.0282584265697
0.0457025913022
0.145698137198
0.0873461454407
0.0309397604521
0.046649185173
0.0958450337178
0.0130660263779
0.00625176026631
0.00296055161492

解決方案

下面是兩個主要的解決方案。

解決方案#1：重復(fù)實驗

解決這個問題傳統(tǒng)且切實可行的方法是多次運行網(wǎng)絡(luò)（30+），然后運用統(tǒng)計學(xué)方法概括模型的性能，并與其他模型作比較。

我強烈推薦這種方法，但是由于有些模型的訓(xùn)練時間太長，這種方法并不總是可行的。

解決方案#2：設(shè)置隨機數(shù)字生成器的種子

另一種解決方案是為隨機數(shù)字生成器使用固定的種子。

隨機數(shù)由偽隨機數(shù)生成器生成。一個隨機生成器就是一個數(shù)學(xué)函數(shù)，該函數(shù)將生成一長串?dāng)?shù)字，這些數(shù)字對于一般目的的應(yīng)用足夠隨機。

隨機生成器需要一個種子點開啟該進程，在大多數(shù)實現(xiàn)中，通常默認(rèn)使用以毫秒為單位的當(dāng)前時間。這是為了確保，默認(rèn)情況下每次運行代碼都會生成不同的隨機數(shù)字序列。該種子點可以是指定數(shù)字，比如“1”，來保證每次代碼運行時生成相同的隨機數(shù)序列。只要運行代碼時指定的種子的值不變，它是什么并不重要。

設(shè)置隨機數(shù)生成器的具體方法取決于后端，我們將探究下在Theano和TensorFlow后端下怎樣做到這點。

用Theano后端設(shè)置隨機數(shù)種子

通常，Keras從NumPy隨機數(shù)生成器中獲得隨機源。

大部分情況下，Theano后端也是這樣。

我們可以通過從random模塊中調(diào)用seed()函數(shù)的方式，設(shè)置NumPy隨機數(shù)生成器的種子，如下面所示：

from numpy.random import seed
seed(1)

最好在代碼文件的頂部導(dǎo)入和調(diào)用seed函數(shù)。

這是最佳的實現(xiàn)方式（best practice），這是因為當(dāng)各種各樣的Keras或者Theano(或者其他的)庫作為初始化的一部分被導(dǎo)入時，甚至在直接使用他們之前，可能會用到一些隨機性。

我們可以在上面示例的頂端再加兩行，并運行兩次。

每次運行代碼時，可以看到相同的均方差值的列表（在不同的機器上可能會有一些微小變化，這取決于機器的精度），如下面的示例所示：

0.169326527063
2.75750621228e-05
0.0183287291562
1.93553737255e-07
0.0549871087449
0.0906326807824
0.00337575114075
0.00414857518259
8.14587362008e-08
0.0522927019639

你的結(jié)果應(yīng)該跟我的差不多（忽略微小的精度差異）。

用TensorFlow后端設(shè)置隨機數(shù)種子

Keras從NumPy隨機生成器中獲得隨機源，所以不管使用Theano或者TensorFlow后端的哪一個，都必須設(shè)置種子點。

必須在其他模塊的導(dǎo)入或者其他代碼之前，文件的頂端部分通過調(diào)用seed()函數(shù)設(shè)置種子點。

from numpy.random import seed
seed(1)

另外，TensorFlow有自己的隨機數(shù)生成器，該生成器也必須在NumPy隨機數(shù)生成器之后通過立馬調(diào)用 set_random_seed() 函數(shù)設(shè)置種子點。

from tensorflow import set_random_seed
set_random_seed(2)

要明確的是，在代碼文件的頂端，在其他之前，一定要有以下4行：

from numpy.random import seed
seed(1)
from tensorflow import set_random_seed
set_random_seed(2)

你可以使用兩個相同或者不同的種子。我認(rèn)為這不會造成多大差別，因為隨機源進入了不同的進程。

在以上示例中增加這4行，可以使代碼每次運行時都產(chǎn)生相同的結(jié)果。你應(yīng)該看到與下面列出的相同的均方差值（也許有一些微小差別，這取決于不同機器的精度）：

0.224045112999
0.00154879478823
0.00387589994044
0.0292376881968
0.00945528404353
0.013305765525
0.0206255228201
0.0359538356108
0.00441943512128
0.298706569397

你的結(jié)果應(yīng)該與我的差不多（忽略精度的微小差異）。