注：這篇文章自從發(fā)布出來，就受到讀者的好評和關注，因此，我編寫了一個機器學習測試庫，請點擊鏈接查看!

在過去的一年里，我花了很多時間來研究深度學習，并且也犯過很多錯誤，這些錯誤不僅幫助我對機器學習有了更加深入的理解，也讓我學會了如何正確合理的設計這些系統(tǒng)。在Google Brain工作期間，我學到了很多設計原則，其中之一就是單元測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)試和訓練時間。

然而，到目前為止，似乎還沒有為神經(jīng)網(wǎng)絡代碼編碼測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時間，因此，我希望看完這個教程，你就可以開始著手測試你的系統(tǒng)!

我們從一個簡單的例子開始：試試在這段代碼中找到bug。

 

 

有找到bug嗎?實際上，這個神經(jīng)網(wǎng)絡并沒有進行堆疊。我在編寫代碼的時候，只是對slim.conv2d(...)代碼行做了簡單的復制粘貼，然后對內(nèi)核大小進行修改，而并沒有實際的輸入。

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

1.這段代碼永遠不會崩潰，或者引發(fā)錯誤，又或者是運行速度變慢。

2.這個神經(jīng)網(wǎng)絡仍在訓練，并且損失函數(shù)會越來越小。

3.幾個小時后，會收斂到某一數(shù)值，結果非常糟糕，但是，你又不知道應該修改哪里。

當唯一的反饋只有最終那個錯誤驗證時，那么，你只有一個辦法——就是搜索整個網(wǎng)絡架構。不用再多說了，你需要的是一個更好的網(wǎng)絡系統(tǒng)。

在我們對數(shù)據(jù)進行了一整天的訓練以后，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，層的值實際上從未到達函數(shù)外的任何其他張量。因此，假設我們有某種類型的損失函數(shù)和優(yōu)化器，這些張量永遠都不會得到優(yōu)化，它們將始終保持為默認值。

通過簡單的訓練，我們來比較訓練之前和訓練之后的結果：

 

 

在這不到15行的代碼中，我們基本上驗證了訓練過的所有的變量。

這個測試非常簡單、實用�，F(xiàn)在，假設我們已經(jīng)修復了上一個問題，現(xiàn)在，添加一些批量優(yōu)化，看看是否能發(fā)現(xiàn)這一bug。

 

 

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

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

 

 

這個bug很難發(fā)現(xiàn)，并且稍不注意就會導致特別混亂的結果。基本上，這個預測只有一個輸出，當你使用softmax交叉熵時，總會導致?lián)p失函數(shù)為0。

測試這段代碼最簡單的方法就是——確保損失函數(shù)永遠不為0。

 

 

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

 

 

這其中最大的問題就是：優(yōu)化器有一個默認設置來優(yōu)化所有的變量。對于類似于對抗生成網(wǎng)絡的架構來說，這是對所有訓練時間判了一個死刑。在這里，使用下面的測試代碼，你就可以輕松檢測到這些bug：

 

 

同樣，我們也可以為鑒別器或其它強化學習算法編寫類似的測試代碼。很多演員-評論模型都有自己相對獨立的網(wǎng)絡，需要通過不同的損失進行優(yōu)化。

為了你在閱讀完本文后，能夠更好的進行測試，我認為以下幾個建議很重要：

1.保證測試的確定性。如果你真的想要隨機輸入數(shù)據(jù)，那么，請確保輸入的隨機性，以便于輕松的完成測試。

2.保證測試的簡短性。一定要有能夠訓練收斂并檢查驗證集的單元測試，否則你就是在浪費時間。

3.確保在每次測試前重置圖表。

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

以上為譯文。

文章原標題《How to unit test machine learning code》，譯者：Mags

標簽： Google 代碼 搜索 網(wǎng)絡

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