Динамическое переключение отсева в Keras/Tensorflow

Question

Я строю алгоритм обучения с подкреплением в Tensorflow, и я хотел бы иметь возможность динамически отключать и затем отключать в течение одного вызова session.run(),

Обоснование: мне нужно (1) сделать прямой проход без отсева, чтобы рассчитать цели; и (2) сделать шаг обучения с созданными целями. Если я выполню эти два шага в разных вызовах session.run(), все отлично. Но я хотел бы сделать это с помощью одного звонка session.run() (с помощью tf.stop_gradients(targets)).

Попробовав несколько решений без особого успеха, я нашел решение, в котором я заменил заполнитель learning_phase, используемый Keras, на переменную (поскольку заполнители являются тензорами и не разрешают присваивания) и использовал пользовательский слой, чтобы установить для этой переменной значение True или Ложь, как хотелось бы. Это решение показано в коде ниже. Получение значения любого m1 или же m2 отдельно (например, работает sess.run(m1, feed_dict={ph:np.ones((1,1))})работает, как и ожидалось, без ошибок. Тем не менее, получение значения m3или получить значения m1 а также m2 одновременно работает иногда, а иногда нет (и сообщение об ошибке неинформативно).

Знаете ли вы, что я делаю неправильно, или лучший способ сделать то, что я хочу?

РЕДАКТИРОВАТЬ: код показывает игрушечный пример. На самом деле у меня есть одна модель, и мне нужно выполнить два прохода вперед (один с отключенным выпуском, а другой с включенным выпадением) и один обратный проход. И я хочу сделать все это без возвращения в Python.

from tensorflow.keras.layers import Dropout, Dense, Input, Layer
from tensorflow.python.keras import backend as K
from tensorflow.keras import Model
import tensorflow as tf
import numpy as np

class DropoutSwitchLayer(Layer):
  def __init__(self, stateful=True, **kwargs):
    self.stateful = stateful
    self.supports_masking = True
    super(DropoutSwitchLayer, self).__init__(**kwargs)

  def build(self, input_shape):
    self.lph = tf.Variable(True, dtype=tf.bool, name="lph", trainable=False)
    K._GRAPH_LEARNING_PHASES[tf.get_default_graph()] = self.lph
    super(DropoutSwitchLayer, self).build(input_shape)

  def call(self, inputs, mask=None):
    data_input, training = inputs
    op = self.lph.assign(training[0], use_locking=True)
    # ugly trick here to make the layer work
    data_input = data_input + tf.multiply(tf.cast(op, dtype=tf.float32), 0.0)
    return data_input

  def compute_output_shape(self, input_shape):
    return input_shape[0]


dropout_on = np.array([True], dtype=np.bool)
dropout_off = np.array([False], dtype=np.bool)
input_ph = tf.placeholder(tf.float32, shape=(None, 1))

drop = Input(shape=(), dtype=tf.bool)
input = Input(shape=(1,))
h = DropoutSwitchLayer()([input, drop])
h = Dense(1)(h)
h = Dropout(0.5)(h)
o = Dense(1)(h)
m = Model(inputs=[input, drop], outputs=o)

m1 = m([input_ph, dropout_on])
m2 = m([input_ph, dropout_off])
m3 = m([m2, dropout_on])

sess = tf.Session()
K.set_session(sess)
sess.run(tf.global_variables_initializer())

РЕДАКТИРОВАТЬ 2: решение Даниэля Меллера ниже работает при использовании Dropout слой, но что, если использовать выпадение внутри LSTM слой?

input = Input(shape=(1,))
h = Dense(1)(input)
h = RepeatVector(2)(h)
h = LSTM(1, dropout=0.5, recurrent_dropout=0.5)(h)
o = Dense(1)(h)

Answer 1

Почему бы не сделать единую непрерывную модель?

#layers
inputs = Input(shape(1,))
dense1 = Dense(1)
dense2 = Dense(1)

#no drop pass:
h = dense1(inputs)
o = dense2(h)
#optionally:
o = Lambda(lambda x: K.stop_gradient(x))(o)

#drop pass:
h = dense1(o)
h = Dropout(.5)(h)
h = dense2(h)

modelOnlyFinalOutput = Model(inputs,h)
modelOnlyNonDrop = Model(inputs,o)
modelBothOutputs = Model(inputs, [o,h])

Выберите один для обучения:

model.fit(x_train,y_train) #where y_train = [targets1, targets2] if using both outputs

Answer 2

Оказывается, Keras из коробки поддерживает то, что я хочу сделать. Использование обучающего аргумента в обращении к слою Dropout/LSTM в сочетании с подходом Даниэля Меллера для построения модели (спасибо!) Делает свое дело.

В приведенном ниже коде (просто игрушечный пример) o1 а также o3 должен быть равным и отличным от o2

from tensorflow.keras.layers import Dropout, Dense, Input, Lambda, Layer, Add, RepeatVector, LSTM
from tensorflow.python.keras import backend as K
from tensorflow.keras import Model
import tensorflow as tf
import numpy as np

repeat = RepeatVector(2)
lstm = LSTM(1, dropout=0.5, recurrent_dropout=0.5)

#Forward pass with dropout disabled
next_state = tf.placeholder(tf.float32, shape=(None, 1), name='next_state')
h = repeat(next_state)
# Use training to disable dropout
o1 = lstm(h, training=False)
target1 = tf.stop_gradient(o1)

#Forward pass with dropout enabled
state = tf.placeholder(tf.float32, shape=(None, 1), name='state')
h = repeat(state)
o2 = lstm(h, training=True)
target2 = tf.stop_gradient(o2)

#Forward pass with dropout disabled
ph3 = tf.placeholder(tf.float32, shape=(None, 1), name='ph3')
h = repeat(ph3)
o3 = lstm(h, training=False)

loss = target1 + target2 - o3
opt = tf.train.GradientDescentOptimizer(0.1)
train = opt.minimize(loss)

sess = tf.Session()
K.set_session(sess)
sess.run(tf.global_variables_initializer())

data = np.ones((1,1))
sess.run([o1, o2, o3], feed_dict={next_state:data, state:data, ph3:data})

Answer 3

Как насчет этого :

      class CustomDropout(tf.keras.layers.Layer):
    def __init__(self):
        super(CustomDropout, self).__init__()
        self.dropout1= Dropout(0.5)
        self.dropout2= Dropout(0.1)

    def call(self, inputs):
       if xxx:
           return self.dropout1(inputs)
       else:
           return self.dropout2(inputs)