具有 BatchNormalization 的模型：停滞的测试损失

Question

我使用 Keras 编写了一个神经网络。它包含 BatchNormalization 层。

当我用model.fit 训练它时，一切都很好。当用 tensorflow as explained here 训练它时，训练很好，但是验证步骤总是给出很差的性能，并且很快就饱和（准确度达到 5%、10%、40%、40%、40% ......；损失也停滞不前）。

我需要使用 tensorflow，因为它在训练的监控部分提供了更大的灵活性。

我强烈怀疑这与 BN 层或/和我计算测试性能的方式有关（见下文）

feed_dict = {x: X_valid,
            batch_size_placeholder: X_valid.shape[0],
            K.learning_phase(): 0,
            beta: self.warm_up_schedule(global_step)
            }
if self.weights is not None:
    feed_dict[weights] = self.weights
acc = accuracy.eval(feed_dict=feed_dict)

在计算包含 Keras BatchNormalizatin 层的模型的验证准确性时，有什么特别的事情要做吗？

提前谢谢你！

Answer 1

其实我发现了__call__ method of the BatchNormalization layer的training参数

所以在实例化层时你可以做的只是：

x = Input((dim1, dim2))
h = Dense(dim3)(x)
h = BatchNormalization()(h, training=K.learning_phase())

并且在评估验证集的性能时：

feed_dict = {x: X_valid,
             batch_size_placeholder: X_valid.shape[0],
             K.learning_phase(): 0,
             beta: self.warm_up_schedule(global_step)
             }
acc = accuracy.eval(feed_dict=feed_dict)
summary_ = merged.eval(feed_dict=feed_dict)
test_writer.add_summary(summary_, global_step)