Perdas de complementos do TensorFlow: TripletSemiHardLoss

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno

Visão geral

Este notebook demonstrará como usar a função TripletSemiHardLoss nos complementos do TensorFlow.

Recursos:

TripletLoss

Conforme apresentado pela primeira vez no artigo FaceNet, TripletLoss é uma função de perda que treina uma rede neural para incorporar recursos da mesma classe enquanto maximiza a distância entre embeddings de classes diferentes. Para fazer isso, uma âncora é escolhida junto com uma amostra negativa e uma positiva. fig3

A função de perda é descrita como uma função de distância euclidiana:

função

Onde A é a nossa entrada âncora, P é a entrada da amostra positiva, N é a entrada da amostra negativa e alfa é alguma margem que você usa para especificar quando um trio se tornou muito "fácil" e você não deseja mais ajustar os pesos dele .

SemiHard Online Learning

Conforme mostrado no artigo, os melhores resultados são de trigêmeos conhecidos como "Semi-Hard". Eles são definidos como trigêmeos em que o negativo está mais longe da âncora do que o positivo, mas ainda produz uma perda positiva. Para encontrar com eficiência esses trigêmeos, você utiliza o aprendizado online e treina apenas com os exemplos Semi-Hard em cada lote.

Configurar

pip install -q -U tensorflow-addons

import io
import numpy as np

import tensorflow as tf
import tensorflow_addons as tfa
import tensorflow_datasets as tfds

Prepare os dados

def _normalize_img(img, label):
    img = tf.cast(img, tf.float32) / 255.
    return (img, label)

train_dataset, test_dataset = tfds.load(name="mnist", split=['train', 'test'], as_supervised=True)

# Build your input pipelines
train_dataset = train_dataset.shuffle(1024).batch(32)
train_dataset = train_dataset.map(_normalize_img)

test_dataset = test_dataset.batch(32)
test_dataset = test_dataset.map(_normalize_img)

Downloading and preparing dataset 11.06 MiB (download: 11.06 MiB, generated: 21.00 MiB, total: 32.06 MiB) to /home/kbuilder/tensorflow_datasets/mnist/3.0.1...
Dataset mnist downloaded and prepared to /home/kbuilder/tensorflow_datasets/mnist/3.0.1. Subsequent calls will reuse this data.

Construir o modelo

Figura 2

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(filters=64, kernel_size=2, padding='same', activation='relu', input_shape=(28,28,1)),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(256, activation=None), # No activation on final dense layer
    tf.keras.layers.Lambda(lambda x: tf.math.l2_normalize(x, axis=1)) # L2 normalize embeddings

])

Treinar e avaliar

# Compile the model
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.001),
    loss=tfa.losses.TripletSemiHardLoss())

# Train the network
history = model.fit(
    train_dataset,
    epochs=5)

Epoch 1/5
1875/1875 [==============================] - 21s 5ms/step - loss: 0.6983
Epoch 2/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.4723
Epoch 3/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.4298
Epoch 4/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.4139
Epoch 5/5
1875/1875 [==============================] - 8s 4ms/step - loss: 0.3938

# Evaluate the network
results = model.predict(test_dataset)

# Save test embeddings for visualization in projector
np.savetxt("vecs.tsv", results, delimiter='\t')

out_m = io.open('meta.tsv', 'w', encoding='utf-8')
for img, labels in tfds.as_numpy(test_dataset):
    [out_m.write(str(x) + "\n") for x in labels]
out_m.close()


try:
  from google.colab import files
  files.download('vecs.tsv')
  files.download('meta.tsv')
except:
  pass

Projetor de incorporação

Os arquivos vetoriais e metadados podem ser carregados e visualizados aqui: https://projector.tensorflow.org/

Você pode ver os resultados de nossos dados de teste incorporados quando visualizados com UMAP: incorporação