Потери в аддонах TensorFlow: TripletSemiHardLoss

Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

Посмотреть на TensorFlow.org Запускаем в Google Colab Посмотреть исходный код на GitHub Скачать блокнот

Обзор

В этом блокноте будет показано, как использовать функцию TripletSemiHardLoss в надстройках TensorFlow.

Ресурсы:

TripletLoss

Как впервые было представлено в статье FaceNet, TripletLoss - это функция потерь, которая обучает нейронную сеть тесно встраивать функции одного класса, увеличивая при этом расстояние между встраиваниями разных классов. Для этого выбирается якорь вместе с одним отрицательным и одним положительным образцом. фиг3

Функция потерь описывается как функция евклидова расстояния:

функция

Где A - наш вход привязки, P - вход положительной выборки, N - вход отрицательной выборки, а альфа - некоторый запас, который вы используете, чтобы указать, когда триплет стал слишком "легким", и вы больше не хотите регулировать веса из него. .

Полужесткое онлайн-обучение

Как показано в статье, наилучшие результаты получены от триплетов, известных как «полужесткие». Они определяются как триплеты, где отрицательный элемент дальше от привязки, чем положительный, но все же приводит к положительным потерям. Чтобы эффективно находить эти триплеты, вы используете онлайн-обучение и тренируетесь только на полужестких примерах в каждой партии.

Настраивать

pip install -q -U tensorflow-addons
import io
import numpy as np
import tensorflow as tf
import tensorflow_addons as tfa
import tensorflow_datasets as tfds

Подготовьте данные

def _normalize_img(img, label):
    img = tf.cast(img, tf.float32) / 255.
    return (img, label)

train_dataset, test_dataset = tfds.load(name="mnist", split=['train', 'test'], as_supervised=True)

# Build your input pipelines
train_dataset = train_dataset.shuffle(1024).batch(32)
train_dataset = train_dataset.map(_normalize_img)

test_dataset = test_dataset.batch(32)
test_dataset = test_dataset.map(_normalize_img)
Downloading and preparing dataset 11.06 MiB (download: 11.06 MiB, generated: 21.00 MiB, total: 32.06 MiB) to /home/kbuilder/tensorflow_datasets/mnist/3.0.1...
Dataset mnist downloaded and prepared to /home/kbuilder/tensorflow_datasets/mnist/3.0.1. Subsequent calls will reuse this data.

Постройте модель

фиг2

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(filters=64, kernel_size=2, padding='same', activation='relu', input_shape=(28,28,1)),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(256, activation=None), # No activation on final dense layer
    tf.keras.layers.Lambda(lambda x: tf.math.l2_normalize(x, axis=1)) # L2 normalize embeddings

])

Тренируй и оценивай

# Compile the model
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.001),
    loss=tfa.losses.TripletSemiHardLoss())
# Train the network
history = model.fit(
    train_dataset,
    epochs=5)
Epoch 1/5
1875/1875 [==============================] - 21s 5ms/step - loss: 0.6983
Epoch 2/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.4723
Epoch 3/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.4298
Epoch 4/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.4139
Epoch 5/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.3938
# Evaluate the network
results = model.predict(test_dataset)
# Save test embeddings for visualization in projector
np.savetxt("vecs.tsv", results, delimiter='\t')

out_m = io.open('meta.tsv', 'w', encoding='utf-8')
for img, labels in tfds.as_numpy(test_dataset):
    [out_m.write(str(x) + "\n") for x in labels]
out_m.close()


try:
  from google.colab import files
  files.download('vecs.tsv')
  files.download('meta.tsv')
except:
  pass

Встраиваемый проектор

Вектор и метаданные файлы могут быть загружены и визуализировали здесь: https://projector.tensorflow.org/

Вы можете увидеть результаты наших встроенных тестовых данных при визуализации с помощью UMAP: встраивание