tensorflow学习笔记(三十三):ExponentialMovingAverage
tensorflow学习笔记(三十三):ExponentialMovingAverage
ExponentialMovingAverage
Some training algorithms, such as GradientDescent and Momentum often benefit from maintaining a moving average of variables during optimization. Using the moving averages for evaluations often improve results significantly.
tensorflow 官网上对于这个方法功能的介绍。GradientDescent 和 Momentum 方式的训练 都能够从 ExponentialMovingAverage 方法中获益。
什么是MovingAverage? 假设我们与一串时间序列
那么，这串时间序列的 MovingAverage 就是：
这是一个递归表达式。 如何理解这个式子呢？ 他就像一个滑动窗口，mvtmv_t 的值只和这个窗口内的 aia_i 有关， 为什么这么说呢？将递归式拆开 :
得到：
当 t-i>C， CC 为某足够大的数时
, 所以:
。即， mv_t 的值只和
有关。
tensorflow 中的 ExponentialMovingAverage
这时，再看官方文档中的公式:
,就知道各代表什么意思了。
shadow variables are created with trainable=False。用其来存放 ema 的值
import tensorflow as tf
w = tf.Variable(1.0)
ema = tf.train.ExponentialMovingAverage(0.9)
update = tf.assign_add(w, 1.0)
with tf.control_dependencies([update]):
#返回一个op,这个op用来更新moving_average,i.e. shadow value
ema_op = ema.apply([w])#这句和下面那句不能调换顺序
# 以 w 当作 key， 获取 shadow value 的值
ema_val = ema.average(w)#参数不能是list，有点蛋疼
with tf.Session() as sess:
tf.global_variables_initializer().run()
for i in range(3):
sess.run(ema_op)
print(sess.run(ema_val))
# 创建一个时间序列 1 2 3 4
#输出：
#1.1 =0.9*1 + 0.1*2
#1.29 =0.9*1.1+0.1*3
#1.561 =0.9*1.29+0.1*4你可能会奇怪，明明 只执行三次循环， 为什么产生了 4 个数？
这是因为，当程序执行到 ema_op = ema.apply([w]) 的时候，如果 w 是 Variable， 那么将会用 w 的初始值初始化 ema 中关于 w 的 ema_value，所以
。如果 w 是 Tensor的话，将会用 0.0 初始化。
官网中的示例：
# Create variables.
var0 = tf.Variable(...)
var1 = tf.Variable(...)
# ... use the variables to build a training model...
...
# Create an op that applies the optimizer. This is what we usually
# would use as a training op.
opt_op = opt.minimize(my_loss, [var0, var1])
# Create an ExponentialMovingAverage object
ema = tf.train.ExponentialMovingAverage(decay=0.9999)
# Create the shadow variables, and add ops to maintain moving averages
# of var0 and var1.
maintain_averages_op = ema.apply([var0, var1])
# Create an op that will update the moving averages after each training
# step. This is what we will use in place of the usual training op.
with tf.control_dependencies([opt_op]):
training_op = tf.group(maintain_averages_op)
# run这个op获取当前时刻 ema_value
get_var0_average_op = ema.average(var0)使用 ExponentialMovingAveraged parameters
假设我们使用了ExponentialMovingAverage方法训练了神经网络， 在test阶段，如何使用 ExponentialMovingAveraged parameters呢？ 官网也给出了答案
方法一：
# Create a Saver that loads variables from their saved shadow values.
shadow_var0_name = ema.average_name(var0)
shadow_var1_name = ema.average_name(var1)
saver = tf.train.Saver({shadow_var0_name: var0, shadow_var1_name: var1})
saver.restore(...checkpoint filename...)
# var0 and var1 now hold the moving average values方法二：
#Returns a map of names to Variables to restore.
variables_to_restore = ema.variables_to_restore()
saver = tf.train.Saver(variables_to_restore)
...
saver.restore(...checkpoint filename...)这里要注意的一个问题是，用于保存的saver可不能这么写，参考 http://blog.csdn.net/u012436149/article/details/56665612
参考资料
https://www.tensorflow.org/versions/master/api_docs/python/train/moving_averages
腾讯云开发者
