web-dev-qa-db-ja.com

Keras-mnistデータセットの画像埋め込みを保存します

MNISTdb用に次の単純なMLPネットワークを作成しました。

from __future__ import print_function

import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras import callbacks


batch_size = 100
num_classes = 10
epochs = 20

tb = callbacks.TensorBoard(log_dir='/Users/shlomi.shwartz/tensorflow/notebooks/logs/minist', histogram_freq=10, batch_size=32,
                           write_graph=True, write_grads=True, write_images=True,
                           embeddings_freq=10, embeddings_layer_names=None,
                           embeddings_metadata=None)

early_stop = callbacks.EarlyStopping(monitor='val_loss', min_delta=0,
                     patience=3, verbose=1, mode='auto')


# the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Dense(200, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(100, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(60, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(30, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

model.summary()

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

history = model.fit(x_train, y_train,
                    callbacks=[tb,early_stop],
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=1,
                    validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

モデルは正常に実行され、TensorBoardでスカラー情報を確認できました。ただし、embeddings_freq = 10を変更して画像を視覚化しようとすると( ここに表示 )、次のエラーが発生しました:

Traceback (most recent call last):
  File "/Users/shlomi.shwartz/IdeaProjects/TF/src/minist.py", line 65, in <module>
    validation_data=(x_test, y_test))
  File "/Users/shlomi.shwartz/tensorflow/lib/python3.6/site-packages/keras/models.py", line 870, in fit
    initial_Epoch=initial_Epoch)
  File "/Users/shlomi.shwartz/tensorflow/lib/python3.6/site-packages/keras/engine/training.py", line 1507, in fit
    initial_Epoch=initial_Epoch)
  File "/Users/shlomi.shwartz/tensorflow/lib/python3.6/site-packages/keras/engine/training.py", line 1117, in _fit_loop
    callbacks.set_model(callback_model)
  File "/Users/shlomi.shwartz/tensorflow/lib/python3.6/site-packages/keras/callbacks.py", line 52, in set_model
    callback.set_model(model)
  File "/Users/shlomi.shwartz/tensorflow/lib/python3.6/site-packages/keras/callbacks.py", line 719, in set_model
    self.saver = tf.train.Saver(list(embeddings.values()))
  File "/usr/local/Cellar/python3/3.6.1/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/tensorflow/python/training/saver.py", line 1139, in __init__
    self.build()
  File "/usr/local/Cellar/python3/3.6.1/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/tensorflow/python/training/saver.py", line 1161, in build
    raise ValueError("No variables to save")
ValueError: No variables to save

Q:何が足りないのですか?それはKerasでそれを行う正しい方法ですか?

更新:埋め込みプロジェクションを使用するためのいくつかの前提条件があることを理解していますが、Kerasでそれを行うための良いチュートリアルが見つかりませんでした。いただければ幸いです。

10
Shlomi Schwartz

ここでcallbacks.TensorBoardに「埋め込み」と呼ばれるものは、広い意味で、任意のレイヤーの重みです。 Kerasドキュメント によると:

embeddings_layer_names:監視するレイヤーの名前のリスト。なしまたは空のリストの場合、すべての埋め込みレイヤーが監視されます。

したがって、デフォルトでは、Embeddingレイヤーを監視しますが、実際にはEmbeddingレイヤーは必要ありません。この視覚化ツールを使用するには。

提供されているMLPの例では、欠落しているのはembeddings_layer_names引数です。視覚化するレイヤーを把握する必要があります。すべてのkernelレイヤーの重み(または、KerasではDense)を視覚化したい場合、次のようにembeddings_layer_namesを指定できます。

model = Sequential()
model.add(Dense(200, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(100, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(60, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(30, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

embedding_layer_names = set(layer.name
                            for layer in model.layers
                            if layer.name.startswith('dense_'))

tb = callbacks.TensorBoard(log_dir='temp', histogram_freq=10, batch_size=32,
                           write_graph=True, write_grads=True, write_images=True,
                           embeddings_freq=10, embeddings_metadata=None,
                           embeddings_layer_names=embedding_layer_names)

model.compile(...)
model.fit(...)

次に、TensorBoardで次のようなものを見ることができます: tensorboard

embeddings_layer_namesに関して何が起こっているのかを知りたい場合は、 Kerasソースの関連行 を参照してください。


編集:

だからここにレイヤー出力を視覚化するための汚い解決策があります。元のTensorBoardコールバックはこれをサポートしていないため、新しいコールバックの実装は避けられないようです。

ここでTensorBoardコールバック全体を書き直すには多くのページスペースが必要になるため、元のTensorBoardを拡張して、異なる部分を書き出します(すでにかなり長い)。ただし、計算の重複やモデルの保存を避けるために、TensorBoardコールバックを書き直す方がより適切でクリーンな方法になります。

import tensorflow as tf
from tensorflow.contrib.tensorboard.plugins import projector
from keras import backend as K
from keras.models import Model
from keras.callbacks import TensorBoard

class TensorResponseBoard(TensorBoard):
    def __init__(self, val_size, img_path, img_size, **kwargs):
        super(TensorResponseBoard, self).__init__(**kwargs)
        self.val_size = val_size
        self.img_path = img_path
        self.img_size = img_size

    def set_model(self, model):
        super(TensorResponseBoard, self).set_model(model)

        if self.embeddings_freq and self.embeddings_layer_names:
            embeddings = {}
            for layer_name in self.embeddings_layer_names:
                # initialize tensors which will later be used in `on_Epoch_end()` to
                # store the response values by feeding the val data through the model
                layer = self.model.get_layer(layer_name)
                output_dim = layer.output.shape[-1]
                response_tensor = tf.Variable(tf.zeros([self.val_size, output_dim]),
                                              name=layer_name + '_response')
                embeddings[layer_name] = response_tensor

            self.embeddings = embeddings
            self.saver = tf.train.Saver(list(self.embeddings.values()))

            response_outputs = [self.model.get_layer(layer_name).output
                                for layer_name in self.embeddings_layer_names]
            self.response_model = Model(self.model.inputs, response_outputs)

            config = projector.ProjectorConfig()
            embeddings_metadata = {layer_name: self.embeddings_metadata
                                   for layer_name in embeddings.keys()}

            for layer_name, response_tensor in self.embeddings.items():
                embedding = config.embeddings.add()
                embedding.tensor_name = response_tensor.name

                # for coloring points by labels
                embedding.metadata_path = embeddings_metadata[layer_name]

                # for attaching images to the points
                embedding.Sprite.image_path = self.img_path
                embedding.Sprite.single_image_dim.extend(self.img_size)

            projector.visualize_embeddings(self.writer, config)

    def on_Epoch_end(self, Epoch, logs=None):
        super(TensorResponseBoard, self).on_Epoch_end(Epoch, logs)

        if self.embeddings_freq and self.embeddings_ckpt_path:
            if Epoch % self.embeddings_freq == 0:
                # feeding the validation data through the model
                val_data = self.validation_data[0]
                response_values = self.response_model.predict(val_data)
                if len(self.embeddings_layer_names) == 1:
                    response_values = [response_values]

                # record the response at each layers we're monitoring
                response_tensors = []
                for layer_name in self.embeddings_layer_names:
                    response_tensors.append(self.embeddings[layer_name])
                K.batch_set_value(list(Zip(response_tensors, response_values)))

                # finally, save all tensors holding the layer responses
                self.saver.save(self.sess, self.embeddings_ckpt_path, Epoch)

それを使用するには:

tb = TensorResponseBoard(log_dir=log_dir, histogram_freq=10, batch_size=10,
                         write_graph=True, write_grads=True, write_images=True,
                         embeddings_freq=10,
                         embeddings_layer_names=['dense_1'],
                         embeddings_metadata='metadata.tsv',
                         val_size=len(x_test), img_path='images.jpg', img_size=[28, 28])

TensorBoardを起動する前に、視覚化のためにラベルと画像をlog_dirに保存する必要があります。

from PIL import Image
img_array = x_test.reshape(100, 100, 28, 28)
img_array_flat = np.concatenate([np.concatenate([x for x in row], axis=1) for row in img_array])
img = Image.fromarray(np.uint8(255 * (1. - img_array_flat)))
img.save(os.path.join(log_dir, 'images.jpg'))
np.savetxt(os.path.join(log_dir, 'metadata.tsv'), np.where(y_test)[1], fmt='%d')

結果は次のとおりです。

TensorResponseBoard

20
Yu-Yang

Kerasには少なくとも1つの埋め込みレイヤーが必要です。統計については、それらについての良い説明でした。これはKeras向けではありませんが、概念はほぼ同じです。 ニューラルネットワークの埋め込み層とは

1
Carsten

したがって、実際に必要なのは(投稿からは完全には明確ではありません)、モデルの予測を次のように視覚化することであると結論付けます。 このTensorboardデモ

そもそも、このようなものを再現することは簡単ではありません Tensorflowでも 、Kerasは言うまでもありません。上記のデモでは、非常に簡潔で、そのような視覚化を取得するために必要な メタデータとスプライト画像 のようなものへの参照を渡します。

結論:自明ではありませんが、Kerasでそれを行うことは確かに可能です。 Kerasコールバックは必要ありません。必要なのは、モデルの予測、必要なメタデータとスプライトイメージ、およびいくつかの純粋なTensorFlowコードだけです。そう、

ステップ1-テストセットのモデル予測を取得します。

emb = model.predict(x_test) # 'emb' for embedding

ステップ2a-テストセットの実際のラベルを使用してメタデータファイルを作成します。

import numpy as np

LOG_DIR = '/home/herc/SO/tmp'  # FULL PATH HERE!!!

metadata_file = os.path.join(LOG_DIR, 'metadata.tsv')
with open(metadata_file, 'w') as f:
    for i in range(len(y_test)):
        c = np.nonzero(y_test[i])[0][0]
        f.write('{}\n'.format(c))

ステップ2b-TensorFlowの担当者から提供されたスプライト画像mnist_10k_Sprite.pngを取得します ここLOG_DIR

ステップ3-Tensorflowコードを記述します:

import tensorflow as tf
from tensorflow.contrib.tensorboard.plugins import projector

embedding_var = tf.Variable(emb,  name='final_layer_embedding')
sess = tf.Session()
sess.run(embedding_var.initializer)
summary_writer = tf.summary.FileWriter(LOG_DIR)
config = projector.ProjectorConfig()
embedding = config.embeddings.add()
embedding.tensor_name = embedding_var.name

# Specify the metadata file:
embedding.metadata_path = os.path.join(LOG_DIR, 'metadata.tsv')

# Specify the Sprite image: 
embedding.Sprite.image_path = os.path.join(LOG_DIR, 'mnist_10k_Sprite.png')
embedding.Sprite.single_image_dim.extend([28, 28]) # image size = 28x28

projector.visualize_embeddings(summary_writer, config)
saver = tf.train.Saver([embedding_var])
saver.save(sess, os.path.join(LOG_DIR, 'model2.ckpt'), 1)

次に、LOG_DIRでTensorboardを実行し、ラベルで色を選択すると、次のようになります。

enter image description here

他のレイヤーの予測を取得するためにこれを変更するのは簡単ですが、この場合はKeras FunctionalAPIの方が適している場合があります。

1
desertnaut