Keras: Mauvais nombre d'épisodes de formation

Question

J'essaie de créer une classe pour initialiser rapidement et former un autoencoder pour le prototypage rapide. Une chose que j'aimerais pouvoir faire est d'ajuster rapidement le nombre d'époques pour lesquelles je m'entraîne. Cependant, il semble que peu importe ce que je fais, le modèle entraîne chaque couche pour 100 époques! J'utilise le backend tensorflow.

Voici le code des deux méthodes incriminées.

def pretrain(self, X_train, nb_epoch = 10): 
    data = X_train 
    for ae in self.pretrains:    
     ae.fit(data, data, nb_epoch = nb_epoch) 
     ae.layers[0].output_reconstruction = False 
     ae.compile(optimizer='sgd', loss='mse') 
     data = ae.predict(data) 

......... 

    def fine_train(self, X_train, nb_epoch): 
    weights = [ae.layers[0].get_weights() for ae in self.pretrains] 

    dims = self.dims 
    encoder = containers.Sequential() 
    decoder = containers.Sequential() 

    ## add special input encoder 
    encoder.add(Dense(output_dim = dims[1], input_dim = dims[0], 
     weights = weights[0][0:2], activation = 'linear')) 

    ## add the rest of the encoders 
    for i in range(1, len(dims) - 1): 
     encoder.add(Dense(output_dim = dims[i+1], 
      weights = weights[i][0:2], activation = self.act)) 

    ## add the decoders from the end 

    decoder.add(Dense(output_dim = dims[len(dims) - 2], input_dim = dims[len(dims) - 1], 
     weights = weights[len(dims) - 2][2:4], activation = self.act)) 

    for i in range(len(dims) - 2, 1, -1): 
     decoder.add(Dense(output_dim = dims[i - 1], 
      weights = weights[i-1][2:4], activation = self.act)) 

    ## add the output layer decoder 
    decoder.add(Dense(output_dim = dims[0], 
     weights = weights[0][2:4], activation = 'linear')) 



    masterAE = AutoEncoder(encoder = encoder, decoder = decoder) 
    masterModel = models.Sequential() 
    masterModel.add(masterAE) 
    masterModel.compile(optimizer = 'sgd', loss = 'mse') 
    masterModel.fit(X_train, X_train, nb_epoch = nb_epoch) 
    self.model = masterModel 

Des suggestions sur la façon de résoudre le problème seraient appréciées. Mon soupçon original était que c'était quelque chose à voir avec tensorflow, donc j'ai essayé de courir avec le backend theano mais j'ai rencontré le même problème.

Here est un lien vers le programme complet.

Answer 1

Après la Keras doc, la méthode fit utilise une valeur par défaut de 100 époques de formation (nb_epoch=100):

fit(X, y, batch_size=128, nb_epoch=100, verbose=1, callbacks=[], validation_split=0.0, validation_data=None, shuffle=True, show_accuracy=False, class_weight=None, sample_weight=None) 

Je suis sûr que la façon dont vous utilisez ces méthodes, mais après la « utilisation typique » de la original code , vous devriez être en mesure d'exécuter quelque chose comme (réglage de la variable num_epoch au besoin):

#Typical usage: 
num_epoch = 10 
ae = JPAutoEncoder(dims) 
ae.pretrain(X_train, nb_epoch = num_epoch) 
ae.train(X_train, nb_epoch = num_epoch) 
ae.predict(X_val)