0
雷鋒網按：本文作者 Jason Brownlee 為澳大利亞知名機器學習專家、教育者，對時間序列預測尤有心得。原文發布于其博客。雷鋒網崔靜闖、朱婷編譯。
神經網絡算法利用了隨機性，比如初始化隨機權重，因此用同樣的數據訓練同一個網絡會得到不同的結果。
初學者可能會有些懵圈，因為算法表現得不太穩定。但實際上它們就是這么設計的。隨機初始化可以讓網絡通過學習，得到一個所學函數的很好的近似。
然而， 有時候用同樣的數據訓練同一個網絡，你需要每次都得到完全相同的結果。例如在教學和產品上。
在這個教程中，你會學到怎樣設置隨機數生成器，才能每次用同樣的數據訓練同一網絡時，都能得到同樣的結果。
我們開始。
這個教程分為六部分：
為啥我每次得到的結果都不一樣？
不同結果的演示
解決方法
用Theano 后端設置隨機數種子
用TensorFlow 后端設置隨機數種子
得到的結果還是不同，咋辦？
該教程需要你安裝了Python SciPy。你能用Python2或3來演示這個例子
需要你安裝Keras (v2.0.3+)，后臺為TensorFlow (v1.1.0+)或Theano (v0.9+)
還需要你安裝了scikit-learn，Pandas，NumPy以及Matplotlib
如果在Python環境的設置方面需要幫助，請看下面這個帖子：
How to Setup a Python Environment for Machine Learning and Deep Learning with Anaconda
我發現這對神經網絡和深度學習的初學者而言是個常見問題。
這種誤解可能出于以下問題：
我如何得到穩定的結果？
我如何得到可重復的結果
我應該如何設置種子點
神經網絡特意用隨機性來保證，能通過有效學習得到問題的近似函數。采用隨機性的原因是：用它的機器學習算法，要比不用它的效果更好。
在神經網絡中，最常見的利用隨機性的方式是網絡權值的隨機初始化，盡管在其他地方也能利用隨機性，這有一個簡短的清單：
初始化的隨機性，比如權值
正則化的隨機性，比如dropout
層的隨機性，比如詞嵌入
最優化的隨機性，比如隨機優化
這些甚至更多的隨機性來源意味著，當你對同一數據運行同一個神經網絡算法時，注定得到不同的結果。
想了解更多關于隨機算法的原委，參考下面的帖子
Embrace Randomness in Machine Learning
我們可以用一個小例子來演示神經網絡的隨機性.
在這一節中，我們會建立一個多層感知器模型來學習一個以0.1為間隔的從0.0到0.9的短序列。給出0.0，模型必須預測出0.1；給出0.1，模型必須預測出0.2；以此類推。
下面是準備數據的代碼
# create sequence
length = 10
sequence = [i/float(length) for i in range(length)]
# create X/y pairs
df = DataFrame(sequence)
df = concat([df.shift(1), df], axis=1)
df.dropna(inplace=True)
# convert to MLPfriendly format
values = df.values
X, y = values[:,0], values[:,1]
我們要用的網絡，有1個輸入，10個隱層節點和1個輸出。這個網絡將采用均方差作為損失函數，用高效的ADAM算法來訓練數據
這個網絡需要約1000輪才能有效的解決這個問題，但我們只對它訓練100輪。這樣是為了確保我們在預測時能得到一個有誤差的模型。
網絡訓練完之后，我們要對數據集進行預測并且輸出均方差
建立網絡的代碼如下
# design network
model = Sequential()
model.add(Dense(10, input_dim=1))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# fit network
model.fit(X, y, epochs=100, batch_size=len(X), verbose=0)
# forecast
yhat = model.predict(X, verbose=0)
print(mean_squared_error(y, yhat[:,0]))
在這個例子中，我們要建立10次網絡并且輸出10個不同的網絡得分
完整的代碼如下
from pandas import DataFrame
from pandas import concat
from keras.models import Sequential
from keras.layers import Dense
from sklearn.metrics import mean_squared_error
# fit MLP to dataset and print error
def fit_model(X, y):
# design network
model = Sequential()
model.add(Dense(10, input_dim=1))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# fit network
model.fit(X, y, epochs=100, batch_size=len(X), verbose=0)
# forecast
yhat = model.predict(X, verbose=0)
print(mean_squared_error(y, yhat[:,0]))
# create sequence
length = 10
sequence = [i/float(length) for i in range(length)]
# create X/y pairs
df = DataFrame(sequence)
df = concat([df.shift(1), df], axis=1)
df.dropna(inplace=True)
# convert to MLP friendly format
values = df.values
X, y = values[:,0], values[:,1]
# repeat experiment
repeats = 10
for _ in range(repeats):
fit_model(X, y)
運行這個例子會在每一行輸出一個不同的精確值，具體結果也都不同。
下面是一個輸出的示例
0.0282584265697
0.0457025913022
0.145698137198
0.0873461454407
0.0309397604521
0.046649185173
0.0958450337178
0.0130660263779
0.00625176026631
0.00296055161492
下面是兩個主要的解決方案。
解決方案#1：重復實驗
解決這個問題傳統且切實可行的方法是多次運行網絡（30+），然后運用統計學方法概括模型的性能，并與其他模型作比較。
我強烈推薦這種方法，但是由于有些模型的訓練時間太長，這種方法并不總是可行的。
解決方案#2：設置隨機數字生成器的種子
另一種解決方案是為隨機數字生成器使用固定的種子。
隨機數由偽隨機數生成器生成。一個隨機生成器就是一個數學函數，該函數將生成一長串數字，這些數字對于一般目的的應用足夠隨機。
隨機生成器需要一個種子點開啟該進程，在大多數實現中，通常默認使用以毫秒為單位的當前時間。這是為了確保，默認情況下每次運行代碼都會生成不同的隨機數字序列。該種子點可以是指定數字，比如“1”，來保證每次代碼運行時生成相同的隨機數序列。只要運行代碼時指定的種子的值不變，它是什么并不重要。
設置隨機數生成器的具體方法取決于后端，我們將探究下在Theano和TensorFlow后端下怎樣做到這點。
通常，Keras從NumPy隨機數生成器中獲得隨機源。
大部分情況下，Theano后端也是這樣。
我們可以通過從random模塊中調用seed()函數的方式，設置NumPy隨機數生成器的種子，如下面所示：
from numpy.random import seed
seed(1)
最好在代碼文件的頂部導入和調用seed函數。
這是最佳的實現方式（best practice），這是因為當各種各樣的Keras或者Theano(或者其他的)庫作為初始化的一部分被導入時，甚至在直接使用他們之前，可能會用到一些隨機性。
我們可以在上面示例的頂端再加兩行，并運行兩次。
每次運行代碼時，可以看到相同的均方差值的列表（在不同的機器上可能會有一些微小變化，這取決于機器的精度），如下面的示例所示：
0.169326527063
2.75750621228e-05
0.0183287291562
1.93553737255e-07
0.0549871087449
0.0906326807824
0.00337575114075
0.00414857518259
8.14587362008e-08
0.0522927019639
你的結果應該跟我的差不多（忽略微小的精度差異）。
Keras從NumPy隨機生成器中獲得隨機源，所以不管使用Theano或者TensorFlow后端的哪一個，都必須設置種子點。
必須在其他模塊的導入或者其他代碼之前，文件的頂端部分通過調用seed()函數設置種子點。
from numpy.random import seed
seed(1)
另外，TensorFlow有自己的隨機數生成器，該生成器也必須在NumPy隨機數生成器之后通過立馬調用 set_random_seed() 函數設置種子點。
from tensorflow import set_random_seed
set_random_seed(2)
要明確的是，在代碼文件的頂端，在其他之前，一定要有以下4行：
from numpy.random import seed
seed(1)
from tensorflow import set_random_seed
set_random_seed(2)
你可以使用兩個相同或者不同的種子。我認為這不會造成多大差別，因為隨機源進入了不同的進程。
在以上示例中增加這4行，可以使代碼每次運行時都產生相同的結果。你應該看到與下面列出的相同的均方差值（也許有一些微小差別，這取決于不同機器的精度）：
0.224045112999
0.00154879478823
0.00387589994044
0.0292376881968
0.00945528404353
0.013305765525
0.0206255228201
0.0359538356108
0.00441943512128
0.298706569397
你的結果應該與我的差不多（忽略精度的微小差異）。
為了重復迭代，報告結果和比較模型魯棒性最好的做法是多次（30+）重復實驗，并使用匯總統計。如果這是不可行的，你可以通過為代碼使用的隨機數發生器設置種子來獲得100%可重復的結果。
如果你已經按照上面的說明去做，仍然用相同的數據從相同的算法中獲得了不同的結果，怎么辦？
這可能是有其他的隨機源你還沒有考慮到。
也許你的代碼使用了另外的庫，該庫使用不同的也必須設置種子的隨機數生成器。
試著將你的代碼簡化到最低要求（例如，一個數據樣本，一輪訓練等等），并仔細閱讀API文檔，盡力減少可能引入隨機性的第三方庫。
以上所有示例都假設代碼是在一個CPU上運行的。
這種情況也是有可能的，就是當使用GPU訓練模型時，可能后端設置的是使用一套復雜的GPU庫，這些庫中有些可能會引入他們自己的隨機源，你可能會或者不會考慮到這個。
例如，有證據顯示如果你在堆棧中使用了 Nvidia cuDNN，這可能引入額外的隨機源（ introduce additional sources of randomness），并且使結果不能準確再現。
由于模型的復雜性和訓練的并行性，你可能會得到不可復現的結果。
這很可能是由后端庫的效率造成的，或者是不能在內核中使用隨機數序列。我自己沒有遇到過這個，但是在一些GitHub問題和StackOverflowde問題中看到了一些案例。
如果只是縮小成因的范圍的話，你可以嘗試降低模型的復雜度，看這樣是否影響結果的再現。
我建議您閱讀一下你的后端是怎么使用隨機性的，并看一下是否有任何選項向你開放。在Theano中，參考：
在TensorFlow中，參考：
Constants, Sequences, and Random Values
另外，為了更深入地了解，考慮一下尋找擁有同樣問題的其他人。一些很好的搜尋平臺包括GitHub、StackOverflow 和 CrossValidated。
總 結
在本教程中，你了解了如何在Keras上得到神經網絡模型的可重復結果。特別是，你學習到了：
神經網絡是有意設計成隨機的，固定隨機源可以使結果可復現。
你可以為NumPy和TensorFlow的隨機數生成器設置種子點，這將使大多數的Keras代碼100%的可重復使用。
在有些情況下存在另外的隨機源，并且你知道如何找出他們，或許也是固定它們。
via machine learning mastery，雷鋒網崔靜闖、朱婷編譯
相關文章：
不到 200 行代碼，教你如何用 Keras 搭建生成對抗網絡（GAN）
Keras 之父講解 Keras：幾行代碼就能在分布式環境訓練模型 | Google I/O 2017
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
