问如何在LSTM中有效地使用批处理规范化？
EN

Stack Overflow用户

提问于 2018-01-31 14:49:03

回答 2查看 6.3K关注 0票数 3

在我的数据集中，目标/输出变量是Sales列，数据集中的每一行都记录一年(2008-2017)中每一天的Sales。数据集如下所示：

我的目标是基于这样的数据集建立一个LSTM模型，该模型应该能够在训练结束时提供预测。我在2008-2016年的数据上训练这个模型，并使用2017年数据的一半作为验证，其余的作为测试集。

以前，我尝试使用dropout和提前停止来创建模型。如下所示：

mdl1 <- keras_model_sequential()
mdl1 %>%
  layer_lstm(units = 512, input_shape = c(1, 3), return_sequences = T ) %>%  
  layer_dropout(rate = 0.3) %>%
  layer_lstm(units = 512, return_sequences = FALSE) %>%
  layer_dropout(rate = 0.2) %>%
  layer_dense(units = 1, activation = "linear")

mdl1 %>% compile(loss = 'mse', optimizer = 'rmsprop')

该模型如下所示

___________________________________________________________
Layer (type)               Output Shape         Param #    
===========================================================
lstm_25 (LSTM)             (None, 1, 512)       1056768    
___________________________________________________________
dropout_25 (Dropout)       (None, 1, 512)       0          
___________________________________________________________
lstm_26 (LSTM)             (None, 512)          2099200    
___________________________________________________________
dropout_26 (Dropout)       (None, 512)          0          
___________________________________________________________
dense_13 (Dense)           (None, 1)            513        
===========================================================
Total params: 3,156,481
Trainable params: 3,156,481
Non-trainable params: 0
___________________________________________________________

为了训练模型，提前停止与验证集一起使用。

mdl1.history <- mdl1 %>% 
  fit(dt.tr, dt.tr.out, epochs=500, shuffle=F,
      validation_data = list(dt.val, dt.val.out),
      callbacks = list(
        callback_early_stopping(min_delta = 0.000001,  patience = 10, verbose = 1)
      ))

最重要的是，我希望使用批处理标准化来加快训练速度。根据我的理解，要使用批处理标准化，我需要将数据分成批处理，并将layer_batch_normalization应用于每个隐藏层的输入。模型层如下所示：

batch_size <- 32
mdl2 <- keras_model_sequential()
mdl2 %>%
  layer_batch_normalization(input_shape = c(1, 3), batch_size = batch_size) %>%

  layer_lstm(units = 512, return_sequences = T) %>%
  layer_dropout(rate = 0.3) %>%
  layer_batch_normalization(batch_size = batch_size) %>%

  layer_lstm(units = 512, return_sequences = F) %>%
  layer_dropout(rate = 0.2) %>%
  layer_batch_normalization(batch_size = batch_size) %>%

  layer_dense(units = 1, activation = "linear")

mdl2 %>% compile(loss = 'mse', optimizer = 'rmsprop')

此模型如下所示：

______________________________________________________________________________
Layer (type)                                    Output Shape       Param #    
==============================================================================
batch_normalization_34 (BatchNormalization)     (32, 1, 3)         12         
______________________________________________________________________________
lstm_27 (LSTM)                                  (32, 1, 512)       1056768    
______________________________________________________________________________
dropout_27 (Dropout)                            (32, 1, 512)       0          
______________________________________________________________________________
batch_normalization_35 (BatchNormalization)     (32, 1, 512)       2048       
______________________________________________________________________________
lstm_28 (LSTM)                                  (32, 1, 512)       2099200    
______________________________________________________________________________
dropout_28 (Dropout)                            (32, 1, 512)       0          
______________________________________________________________________________
batch_normalization_36 (BatchNormalization)     (32, 1, 512)       2048       
______________________________________________________________________________
dense_14 (Dense)                                (32, 1, 1)         513        
==============================================================================
Total params: 3,160,589
Trainable params: 3,158,535
Non-trainable params: 2,054
______________________________________________________________________________

训练模型看起来像以前一样。唯一的区别在于训练和验证数据集，其大小是batch_size的倍数(这里是32)，通过从倒数第二批到最后一批的数据重新采样。

然而，mdl1的性能比mdl2要好得多，如下所示。

我不确定我到底做错了什么，因为我是从keras (以及一般的实用神经网络)开始的。此外，第一个模型的性能也不是很好；任何关于如何改进的建议也是很好的。

batch-normalization

tensorflow

keras

recurrent-neural-network

回答 2

Stack Overflow用户

发布于 2019-08-07 00:55:30

LSTM中的批量规范化并不是那么容易实现的。一些论文展示了一些令人惊叹的结果，https://arxiv.org/pdf/1603.09025.pdf称之为递归批处理标准化。作者遵循以下公式进行应用

BATCH-NORMALIZED LSTM

不幸的是，这个模型还没有在keras中实现，只在tensorflow https://github.com/OlavHN/bnlstm中实现。

然而，在激活函数没有居中和移位后，我能够使用(默认)批处理归一化获得良好的结果。这种方法不同于上面在c_t和h_t之后应用BN的方法，也许值得一试。

model = Sequential()
model.add(LSTM(neurons1,
               activation=tf.nn.relu,
               return_sequences=True,
               input_shape=(timesteps, data_dim)))
model.add(BatchNormalization(momentum=m, scale=False, center=False))
model.add(LSTM(neurons2,
               activation=tf.nn.relu))
model.add(BatchNormalization(momentum=m, scale=False, center=False))
model.add(Dense(1))

票数 3

Stack Overflow用户

发布于 2018-01-31 17:50:43

我在Python中使用Keras，但我可以尝试R。在fit方法中，文档中说，如果省略，则默认为32。这在当前版本中不再正确，因为它可以在source code中看到。我认为你应该这样尝试，至少在Python中是这样的：

mdl2 <- keras_model_sequential()
mdl2 %>%
  layer_input(input_shape = c(1, 3))  %>%

  layer_batch_normalization() %>%
  layer_lstm(units = 512, return_sequences = T, dropout=0.3) %>%

  layer_batch_normalization() %>%
  layer_lstm(units = 512, return_sequences = F, dropout=0.2) %>%

  layer_batch_normalization() %>%
  layer_dense(units = 1, activation = "linear")

mdl2 %>% compile(loss = 'mse', optimizer = 'rmsprop')
mdl2.history <- mdl2 %>% 
  fit(dt.tr, dt.tr.out, epochs=500, shuffle=F,
      validation_data = list(dt.val, dt.val.out),
      batch_size=32,
      callbacks = list(
        callback_early_stopping(min_delta = 0.000001,  patience = 10, verbose = 1)
      ))