Запросы относительно контрольных точек API обнаружения объектов

У меня есть несколько вопросов по API обнаружения объектов Tensorflow.

  1. Во время тренировки сохраняются только предыдущие 5 контрольных точек. Я хочу сохранить больше, скажем, предыдущие 10 контрольных точек. Как это может быть сделано? (Я думаю, это должен быть один из параметров train.proto в object_detection / protos.)

  2. По умолчанию контрольные точки сохраняются каждые 10 минут (600 секунд). Чтобы изменить эту частоту, я считаю, что необходимо изменить один из этих двух параметров, пожалуйста, подтвердите, какой именно:

    из learning.py в /home/user/tensorflow-gpu/lib/python3.5/site-packages/tensorflow/contrib/slim/python/slim

    save_summaries_secs=600 или

    save_interval_secs=600

  3. Во время обучения моей модели (ssd_mobilenet_v2_coco_2018_03_29) я также одновременно запускаю оценку. Последняя контрольная точка, представленная на графике eval, всегда отстает от последней, сохраненной в папке object_detection / обучение. Например, в приведенном ниже случае последняя контрольная точка, показанная на графике, составляет 29,437k, тогда как модель уже обучена до контрольной точки 32,891k (и сохранена в папке подготовка). В чем причина этого отставания (отставание 20 минут). Почему одного шага (10 минут) недостаточно для выполнения оценки на обученной модели?

Этот пост здесь должен работать, я считаю, что изменит keep_checkpoint_every_n_hours

Srinivas Bringu 26.08.2018 00:02

Для второго пункта у меня сработало это решение: github.com/tensorflow/models/issues/5139#issuecomment-418963‌ 839. Например, чтобы сохранить модель после каждых 1000 шагов, измените строку (указанную в решении в ссылке) с "config = tf.estimator.RunConfig (model_dir = FLAGS.model_dir)" на "config = tf.estimator". .RunConfig (model_dir = FLAGS.model_dir, save_checkpoints_steps = 1000) "

hafiz031 28.07.2020 05:30
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
2
1 124
2

Ответы 2

Этот пост здесь должен работать, я считаю, что изменит keep_checkpoint_every_n_hours max_to_keep

Как хранить контрольные точки лучших моделей, а не только новейшие 5, в API обнаружения объектов Tensorflow?

Вы также можете сослаться на официальный документ https://www.tensorflow.org/api_docs/python/tf/train/Saver

Это для всех, кто хочет настроить обновленный API обнаружения объектов, поддерживающий TensorFlow 2.

  1. Чтобы сохранить предыдущие 10 контрольных точек, откройте model_lib.py и передайте аргумент ключевого слова max_to_keep = 10 каждой функции tf.train.Saver
  2. Чтобы изменить частоту с 600 секунд до 3600 секунд (1 час), откройте model_main.py и найдите строку, содержащую tf.estimator.RunConfig в основной функции.
    Передайте аргумент ключевого слова save_checkpoints_secs = 3600 классу tf.estimator.RunConfig.

Вот фрагмент кода после настройки частоты сохранения контрольной точки в model_main.py:

def main(unused_argv):
      flags.mark_flag_as_required('model_dir')   
      flags.mark_flag_as_required('pipeline_config_path')   
      config = tf.estimator.RunConfig(model_dir=FLAGS.model_dir, save_checkpoints_secs=3600)

please note that there is a parameter keep_checkpoint_max in the tf.estimator.RunConfig class but setting it didn't affect the number of saved checkpoints for me.

Другие вопросы по теме