注：這篇文章自從發(fā)布出來，就受到讀者的好評(píng)和關(guān)注，因此，我編寫了一個(gè)機(jī)器學(xué)習(xí)測(cè)試庫(kù)，請(qǐng)點(diǎn)擊鏈接查看!

在過去的一年里，我花了很多時(shí)間來研究深度學(xué)習(xí)，并且也犯過很多錯(cuò)誤，這些錯(cuò)誤不僅幫助我對(duì)機(jī)器學(xué)習(xí)有了更加深入的理解，也讓我學(xué)會(huì)了如何正確合理的設(shè)計(jì)這些系統(tǒng)。在Google Brain工作期間，我學(xué)到了很多設(shè)計(jì)原則，其中之一就是單元測(cè)試可以制定或打破原有的算法，并且能夠節(jié)省數(shù)周的調(diào)試和訓(xùn)練時(shí)間。

然而，到目前為止，似乎還沒有為神經(jīng)網(wǎng)絡(luò)代碼編碼測(cè)試單元的比較可靠的教程。即使是在OpenAI上，也只是通過一行行的盯著代碼來發(fā)現(xiàn)bug，然后再思考導(dǎo)致這一bug的原因到底是什么。顯然，大部分人都不愿意這么耗費(fèi)時(shí)間，因此，我希望看完這個(gè)教程，你就可以開始著手測(cè)試你的系統(tǒng)!

我們從一個(gè)簡(jiǎn)單的例子開始：試試在這段代碼中找到bug。

 

 

有找到bug嗎?實(shí)際上，這個(gè)神經(jīng)網(wǎng)絡(luò)并沒有進(jìn)行堆疊。我在編寫代碼的時(shí)候，只是對(duì)slim.conv2d(...)代碼行做了簡(jiǎn)單的復(fù)制粘貼，然后對(duì)內(nèi)核大小進(jìn)行修改，而并沒有實(shí)際的輸入。

略微尷的來說，這其實(shí)是我上周編寫的代碼……這也是個(gè)很重要的教訓(xùn)!但是由于某些原因，這些bug很難被發(fā)現(xiàn)：

1.這段代碼永遠(yuǎn)不會(huì)崩潰，或者引發(fā)錯(cuò)誤，又或者是運(yùn)行速度變慢。

2.這個(gè)神經(jīng)網(wǎng)絡(luò)仍在訓(xùn)練，并且損失函數(shù)會(huì)越來越小。

3.幾個(gè)小時(shí)后，會(huì)收斂到某一數(shù)值，結(jié)果非常糟糕，但是，你又不知道應(yīng)該修改哪里。

當(dāng)唯一的反饋只有最終那個(gè)錯(cuò)誤驗(yàn)證時(shí)，那么，你只有一個(gè)辦法——就是搜索整個(gè)網(wǎng)絡(luò)架構(gòu)。不用再多說了，你需要的是一個(gè)更好的網(wǎng)絡(luò)系統(tǒng)。

在我們對(duì)數(shù)據(jù)進(jìn)行了一整天的訓(xùn)練以后，該如何發(fā)現(xiàn)這一bug呢? 我們發(fā)現(xiàn)，最容易注意到的是，層的值實(shí)際上從未到達(dá)函數(shù)外的任何其他張量。因此，假設(shè)我們有某種類型的損失函數(shù)和優(yōu)化器，這些張量永遠(yuǎn)都不會(huì)得到優(yōu)化，它們將始終保持為默認(rèn)值。

通過簡(jiǎn)單的訓(xùn)練，我們來比較訓(xùn)練之前和訓(xùn)練之后的結(jié)果：

 

 

在這不到15行的代碼中，我們基本上驗(yàn)證了訓(xùn)練過的所有的變量。

這個(gè)測(cè)試非常簡(jiǎn)單、實(shí)用�，F(xiàn)在，假設(shè)我們已經(jīng)修復(fù)了上一個(gè)問題，現(xiàn)在，添加一些批量?jī)?yōu)化，看看是否能發(fā)現(xiàn)這一bug。

 

 

看到了沒?這個(gè)非常微妙。在tensorflow中，batch_norm實(shí)際上將is_training默認(rèn)為False，所以添加這行代碼并不能在訓(xùn)練期間將輸入規(guī)范化!值得慶幸的是，我們編寫的最后一個(gè)單元測(cè)試將會(huì)立刻找到這個(gè)問題!

我們來看看另外一個(gè)例子，來自于reddit的一個(gè)帖子：該作者想創(chuàng)建一個(gè)分組器，其輸出范圍為(0,1)，你是否能夠找出其中的bug?

 

 

這個(gè)bug很難發(fā)現(xiàn)，并且稍不注意就會(huì)導(dǎo)致特別混亂的結(jié)果。基本上，這個(gè)預(yù)測(cè)只有一個(gè)輸出，當(dāng)你使用softmax交叉熵時(shí)，總會(huì)導(dǎo)致?lián)p失函數(shù)為0。

測(cè)試這段代碼最簡(jiǎn)單的方法就是——確保損失函數(shù)永遠(yuǎn)不為0。

 

 

這個(gè)測(cè)試類似于我們的第一個(gè)測(cè)試，唯一不同的就是回退。在這個(gè)測(cè)試中，你可以確保只訓(xùn)練你想要訓(xùn)練的變量。拿生成對(duì)抗網(wǎng)絡(luò)來(GAN)說，常常出現(xiàn)的bug就是忘記在優(yōu)化期間訓(xùn)練了哪些變量，類似這種的bug經(jīng)常會(huì)發(fā)生。

 

 

這其中最大的問題就是：優(yōu)化器有一個(gè)默認(rèn)設(shè)置來優(yōu)化所有的變量。對(duì)于類似于對(duì)抗生成網(wǎng)絡(luò)的架構(gòu)來說，這是對(duì)所有訓(xùn)練時(shí)間判了一個(gè)死刑。在這里，使用下面的測(cè)試代碼，你就可以輕松檢測(cè)到這些bug：

 

 

同樣，我們也可以為鑒別器或其它強(qiáng)化學(xué)習(xí)算法編寫類似的測(cè)試代碼。很多演員-評(píng)論模型都有自己相對(duì)獨(dú)立的網(wǎng)絡(luò)，需要通過不同的損失進(jìn)行優(yōu)化。

為了你在閱讀完本文后，能夠更好的進(jìn)行測(cè)試，我認(rèn)為以下幾個(gè)建議很重要：

1.保證測(cè)試的確定性。如果你真的想要隨機(jī)輸入數(shù)據(jù)，那么，請(qǐng)確保輸入的隨機(jī)性，以便于輕松的完成測(cè)試。

2.保證測(cè)試的簡(jiǎn)短性。一定要有能夠訓(xùn)練收斂并檢查驗(yàn)證集的單元測(cè)試，否則你就是在浪費(fèi)時(shí)間。

3.確保在每次測(cè)試前重置圖表。

總之，還會(huì)有很多測(cè)試方法可以測(cè)試這些算法�；ㄒ粋�(gè)小時(shí)的時(shí)間來編寫一個(gè)測(cè)試代碼，不僅可以幫你節(jié)省重新訓(xùn)練的時(shí)間，還能夠大大改善你的研究成果!

以上為譯文。

文章原標(biāo)題《How to unit test machine learning code》，譯者：Mags

標(biāo)簽： Google 代碼 搜索 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。