TensorFlowアドオンの損失:TripletSemiHardLoss

TensorFlow.orgで表示 GoogleColabで実行 GitHubでソースを表示ノートブックをダウンロードする

概要概要

このノートブックでは、TensorFlowアドオンでTripletSemiHardLoss関数を使用する方法を示します。

リソース:

TripletLoss

FaceNetの論文で最初に紹介されたように、TripletLossは、異なるクラスの埋め込み間の距離を最大化しながら、同じクラスの機能を密接に埋め込むようにニューラルネットワークをトレーニングする損失関数です。これを行うために、1つのネガティブサンプルと1つのポジティブサンプルとともにアンカーが選択されます。 fig3

損失関数は、ユークリッド距離関数として記述されます。

関数

ここで、Aはアンカー入力、Pは正のサンプル入力、Nは負のサンプル入力、アルファはトリプレットが「簡単」になりすぎて重みを調整する必要がなくなったときに指定するマージンです。 。

セミハードオンラインラーニング

論文に示されているように、最良の結果は「セミハード」として知られているトリプレットからのものです。これらは、ネガティブがポジティブよりもアンカーから遠いが、それでもポジティブな損失を生み出すトリプレットとして定義されます。これらのトリプレットを効率的に見つけるには、オンライン学習を利用し、各バッチのセミハードの例からのみトレーニングします。

セットアップ

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

データを準備する

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.

モデルを構築する

fig2

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

])

トレーニングと評価

# 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

埋め込みプロジェクター

ベクターファイルとメタデータファイルは、 https//projector.tensorflow.org/でロードして視覚化できます

UMAPで視覚化すると、埋め込まれたテストデータの結果を確認できます。 埋め込み