更改 Keras 模型以进行验证步骤

Question

我有一个在训练和推理过程中不同的模型。更准确地说，它是一个 SSD（Single Shot Detector），需要在其训练对应层的顶部添加额外的 DetectionOutput 层。在 Caffe 中，可以使用层定义中的“include”参数来打开/关闭层。

但是，如果我希望在每个 epoch 之后（在回调中）运行验证，那么在定义和编译模型之后我应该怎么做？

我无法在训练期间添加 DetectionOutput，因为它与损失的输入不兼容。

我还想避免在回调或自定义指标中的某处创建 DetectionOutput 层，因为它需要合理的超参数，并且我想将模型创建逻辑保留在专用模块中。

在以下示例代码模型中，为推理创建了检测输出层。所以评估运行得很好：

model, _, _ = build_model(input_shape=(args.input_height, args.input_width, 3),

                          n_classes=num_classes,

                          mode='inference')

model.load_weights(args.model, by_name=True)

evaluation = SSDEvaluation(model=model,

                           evaluator=PascalDetectionEvaluator(categories),

                           data_files=[args.eval_data])

metrics = evaluation.evaluate()

但是这个回调不能正常工作，因为在训练模型期间没有 DetectionOutput：

class SSDTensorboard(Callback):

    def __init__(self, evaluator, eval_data):

        self.evaluator = evaluator

        self.eval_data = eval_data

    def on_train_begin(self, logs={}):

        self.metrics = []

    def on_epoch_end(self, epoch, logs={}):

        evaluation = SSDEvaluation(self.model, self.evaluator, self.eval_data)

        metrics = evaluation.evaluate()

        self.metrics.append(metrics)

像往常一样运行训练的正确（pythonic、keratonic 等）方法是什么，但对更改后的模型执行验证步骤，权重相同？也许，有一个单独的模型来验证共享权重？

Answer 1

您应该使用 headless (without DetectionOutput) 模型进行训练，但提供一个带有顶层的模型进行评估：def add_detection_output(model):    # make validation/inference model here...evaluation = SSDEvaluation(model=add_detection_output(model),                           evaluator=PascalDetectionEvaluator(categories),                           data_files=[args.eval_data])避免在回调中使用训练模型，让评估对象持有对验证模型的引用：class SSDTensorboard(Callback):    def __init__(self, evaluation):        self.evaluation = evaluation    def on_epoch_end(self, epoch, logs={}):        metrics = self.evaluation.evaluate()