高举“让 Keras 更酷一些!”大旗,让 Keras 无限可能。
今天我们会用 Keras 做到两件很重要的事情:分层设置学习率和灵活操作梯度。
首先是分层设置学习率,这个用途很明显,比如我们在 fine tune 已有模型的时候,有些时候我们会固定一些层,但有时候我们又不想固定它,而是想要它以比其他层更低的学习率去更新,这个需求就是分层设置学习率了。
对于在 Keras 中分层设置学习率,网上也有一定的探讨,结论都是要通过重写优化器来实现。显然这种方法不论在实现上还是使用上都不友好。
然后是操作梯度。操作梯度一个最直接的例子是梯度裁剪,也就是把梯度控制在某个范围内,Keras 内置了这个方法。但是 Keras 内置的是全局的梯度裁剪,假如我要给每个梯度设置不同的裁剪方式呢?甚至我有其他的操作梯度的思路,那要怎么实施呢?不会又是重写优化器吧?
本文就来为上述问题给出尽可能简单的解决方案。
分层的学习率
对于分层设置学习率这个事情,重写优化器当然是可行的,但是太麻烦。如果要寻求更简单的方案,我们需要一些数学知识来指导我们怎么进行。
参数变换下的优化
首先我们考虑梯度下降的更新公式:
其中 L 是带参数 θ 的 loss 函数,α 是学习率,
是梯度,有时候我们也写成
。记号是很随意的,关键是理解它的含义。
然后我们考虑变换 θ=λ?,其中 λ 是一个固定的标量,? 也是参数。现在我们来优化 ?,相应的更新公式为:
其中第二个等号其实就是链式法则。现在我们在两边乘上 λ,得到:
对比 (1) 和 (3),大家能明白我想说什么了吧:
在 SGD 优化器中,如果做参数变换 θ=λ?,那么等价的结果是学习率从 α 变成了
不过,在自适应学习率优化器(比如 RMSprop、Adam 等),情况有点不一样,因为自适应学习率使用梯度(作为分母)来调整了学习率,抵消了一个 λ,从而(请有兴趣的读者自己推导一下):
在 RMSprop、Adam 等自适应学习率优化器中,如果做参数变换 θ=λ?,那么等价的结果是学习率从 α 变成了 λα。
移花接木调整学习率
有了前面这两个结论,我们就只需要想办法实现参数变换,而不需要自己重写优化器,来实现逐层设置学习率了。
实现参数变换的方法也不难,之前我们在《 “让Keras更酷一些!”:随意的输出和灵活的归一化》[1] 一文讨论权重归一化的时候已经讲过方法了。因为 Keras 在构建一个层的时候,实际上是分开了 build 和 call 两个步骤,我们可以在 build 之后插一些操作,然后再调用 call 就行了。
下面是一个封装好的实现:
import keras.backend as K class SetLearningRate: """层的一个包装,用来设置当前层的学习率 """ def __init__(self, layer, lamb, is_ada=False): self.layer = layer self.lamb = lamb # 学习率比例 self.is_ada = is_ada # 是否自适应学习率优化器 def __call__(self, inputs): with K.name_scope(self.layer.name): if not self.layer.built: input_shape = K.int_shape(inputs) self.layer.build(input_shape) self.layer.built = True if self.layer._initial_weights is not None: self.layer.set_weights(self.layer._initial_weights) for key in ['kernel', 'bias', 'embeddings', 'depthwise_kernel', 'pointwise_kernel', 'recurrent_kernel', 'gamma', 'beta']: if hasattr(self.layer, key): weight = getattr(self.layer, key) if self.is_ada: lamb = self.lamb # 自适应学习率优化器直接保持lamb比例 else: lamb = self.lamb**0.5 # SGD(包括动量加速),lamb要开平方 K.set_value(weight, K.eval(weight) / lamb) # 更改初始化 setattr(self.layer, key, weight * lamb) # 按比例替换 return self.layer(inputs)
使用示例:
x_in = Input(shape=(None,)) x = x_in # 默认情况下是x = Embedding(100, 1000, weights=[word_vecs])(x) # 下面这一句表示:后面将会用自适应学习率优化器,并且Embedding层以总体的十分之一的学习率更新。 # word_vecs是预训练好的词向量 x = SetLearningRate(Embedding(100, 1000, weights=[word_vecs]), 0.1, True)(x) # 后面部分自己想象了~ x = LSTM(100)(x) model = Model(x_in, x) model.compile(loss='mse', optimizer='adam') # 用自适应学习率优化器优化
几个注意事项:
1. 目前这种方式,只能用于自己动手写代码来构建模型的时候插入,无法对建立好的模型进行操作;
2. 如果有预训练权重,有两种加载方法。第一种是像刚才的使用示例一样,在定义层的时候通过weights 参数传入;第二种方法是建立好模型后(已经在相应的地方插入好 SetLearningRate),用 model.set_weights (weights) 来赋值,其中 weights 是“在 SetLearningRate 的位置已经被除以了 λ 或
的原来模型的预训练权重”;
3. 加载预训练权重的第二种方法看起来有点不知所云,但如果你已经理解了这一节的原理,那么应该能知道我在说什么。因为设置学习率是通过 weight * lamb 来实现的,所以 weight 的初始化要变为 weight / lamb;
4. 这个操作基本上不可逆,比如你一开始设置了 Embedding 层以总体的 1/10 比例的学习率来更新,那么很难在这个基础上,再将它改为 1/5 或者其他比例。(当然,如果你真的彻底搞懂了这一节的原理,并且也弄懂了加载预训练权重的第二种方法,那么还是有办法的,那时候相信你也能搞出来);
5. 这种做法有以上限制,是因为我们不想通过修改或者重写优化器的方式来实现这个功能。如果你决定要自己修改优化器,请参考《“让Keras更酷一些!”:小众的自定义优化器》[2]。
自由的梯度操作
在这部分内容中,我们将学习对梯度的更为自由的控制。这部分内容涉及到对优化器的修改,但不需要完全重写优化器。
Keras优化器的结构
要修改优化器,必须先要了解 Keras 优化器的结构。在《“让Keras更酷一些!”:小众的自定义优化器》[2] 一文我们已经初步看过了,现在我们重新看一遍。
Keras 优化器代码:
https://github.com/keras-team/keras/blob/master/keras/optimizers.py
随便观察一个优化器,就会发现你要自定义一个优化器,只需要继承 Optimizer 类,然后定义get_updates 方法。但本文我们不想做新的优化器,只是想要对梯度有所控制。可以看到,梯度的获取其实是在父类 Optimizer 的 get_gradients 方法中:
def get_gradients(self, loss, params): grads = K.gradients(loss, params) if None in grads: raise ValueError('An operation has `None` for gradient. ' 'Please make sure that all of your ops have a ' 'gradient defined (i.e. are differentiable). ' 'Common ops without gradient: ' 'K.argmax, K.round, K.eval.') if hasattr(self, 'clipnorm') and self.clipnorm > 0: norm = K.sqrt(sum([K.sum(K.square(g)) for g in grads])) grads = [clip_norm(g, self.clipnorm, norm) for g in grads] if hasattr(self, 'clipvalue') and self.clipvalue > 0: grads = [K.clip(g, -self.clipvalue, self.clipvalue) for g in grads] return grads
其中方法中的第一句就是获取原始梯度的,后面则提供了两种梯度裁剪方法。不难想到,只需要重写优化器的 get_gradients 方法,就可以实现对梯度的任意操作了,而且这个操作不影响优化器的更新步骤(即不影响 get_updates 方法)。
处处皆对象:覆盖即可
怎么能做到只修改 get_gradients 方法呢?这得益于 Python 的哲学——“处处皆对象”。Python 是一门面向对象的编程语言,Python 中几乎你能碰到的一切变量都是一个对象。我们说get_gradients 是优化器的一个方法,也可以说 get_gradients 的一个属性(对象),既然是属性,直接覆盖赋值即可。
我们来举一个最粗暴的例子(恶作剧):
def our_get_gradients(loss, params): return [K.zeros_like(p) for p in params] adam_opt = Adam(1e-3) adam_opt.get_gradients = our_get_gradients model.compile(loss='categorical_crossentropy', optimizer=adam_opt)
其实这样做的事情很无聊,就是把所有梯度置零了(然后你怎么优化它都不动了),但这个恶作剧例子已经足够有代表性了——你可以将所有梯度置零,你也可以将梯度做任意你喜欢的操作。比如将梯度按照 l1 范数而非 l2 范数裁剪,又或者做其他调整。
假如我只想操作部分层的梯度怎么办?那也简单,你在定义层的时候需要起一个能区分的名字,然后根据 params 的名字做不同的操作即可。都到这一步了,我相信基本是“一法通,万法皆通”的了。
文章转自:https://mp.weixin.qq.com/s/4Nz2e_vNYgq_y01JFneSfw