Keras Callback之RemoteMonitor

发表于 更新于 阅读次数： 阅读次数：

概述

Keras提供了一系列的回调函数，用来在训练网络的过程中，查看网络的内部信息，或者控制网络训练的过程。BaseLogger、ProgbarLogger用来在命令行输出Log信息（默认会调用）， EarlyStopping、ReduceLROnPlateu分别用来提前终止训练和自动调整学习率，改变网络训练过程；而今天要介绍的RemoteMonitor则用来实时输出网络训练过程中的结果变化情况，包括训练集准确率(accu)、训练集损失值(loss)、验证集准确率(val_acc)、验证集损失值(val_loss)，用户也可以自己修改需要显示的数据。一图胜千言，看看下面的结果图吧：

这个图是在浏览器中打开得到，Keras使用了Flask搭建了一个简单的服务器，然后采用D3.js来可视化数据。下面详细介绍可视化的过程吧

安装依赖

  1. 首先，你得安装Keras: sudo pip install keras或者没有管理员权限的话，执行：pip install --user keras，下同
  2. 安装Flask网络框架： sudo pip install Flask
  3. 安装gevent,gevent是一个并发框架，可以监听网络训练，并将结果传回网络服务，安装命令：sudo pip install gevent

下载 Hualos

这是Keras作者写的Keras可视化的项目，其中包括了D3.js这些数据可视化库，也有一个简单的Flask app，即api.py文件，来运行我们的网络参数可视化。具体安装过程如下：

1
2
3
git clone https://github.com/fchollet/hualos.git
cd hualos
python api.py

这样网络服务器就建立了，该服务会监听http://localhost:9000端口，你打开浏览器访问该网址，会看到一个初始的页面，我们接下来要做的是在训练网络的时候增加回调函数RemoteMonitor，将网络参数显示到该网址的页面上。

在Keras训练网络中加入RemoteMonitor回调函数

这一步只需要在keras的代码里面增加3行即可：

1
2
3
4
5
6
7
8
9
10
11
12
## 1. import RemoteMonitor
from keras.callbacks import RemoteMonitor

## 2. 创建RemoteMonitor对象
remote = RemoteMonitor()

## 3. 在model.fit中增加回调函数设置
model.fit(
	...,
	...,
	callbacks=[remote]
	)

我修改了https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py，增加了以上3行，整个文件如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
 '''Trains a simple convnet on the MNIST dataset.

Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
from keras.callbacks import RemoteMonitor

batch_size = 128
num_classes = 10
epochs = 40

# input image dimensions
img_rows, img_cols = 28, 28

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

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
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(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

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

注意15、64和70行是我新加的。
修改完文件后，在命令行运行该文件，在浏览器打开http://localhost:9000网址，就可以看到你训练时的参数了。注意结果是每个epoch输出一次。