Potential bug using kernel regularizer

Đang mở
  • Có gì không ổn?
#352 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
4/5
Thời gian dự kiến
3-5 ngày
Mức phù hợp với người mới
32/100
Loại issue
Lỗi
Độ rõ ràng
Khá rõ ràng
Mức độ hoạt động
Đình trệ
Công nghệ
python, tensorflow
Lĩnh vực
machine-learning

Hướng nghiên cứu

Bắt đầu bằng cách chạy bản tái hiện trong code.txt đính kèm với tổ hợp Conv2D kernel_regularizer, MeanSquaredError loss và DPKerasAdamOptimizer, sau đó so sánh với phiên bản không có regularizer. Kiểm tra lỗi không khớp shape AddN được báo cáo và xác định liệu tổ hợp này có được hỗ trợ hay không. Hoàn thành có nghĩa là xác định được nguyên nhân và cung cấp một bản sửa đã được xác minh hoặc một giải thích rõ ràng về khả năng tương thích.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

I got a ValueError when using TensorFlow to create a model. Based on the error there is a problem that occurs with the kernel regularizer applied on the Conv2D layer and the mean squared error function. I used the L1 regularizer provided by the TensorFlow keras package. I've tried setting different values for the L1 regularization factor and even setting the value to 0, but I get the same error. My model works fine if i get rid of the kernel_regularizer argument. I'm just wondering if this is some type of bug?

Context: Creating a model that predicts phenotype traits given genotypes and phenotypes datasets. The genotype input data has 4276 samples, and the input shape that the model takes is (28220,1). My labels represent the phenotype data. The labels include 4276 samples with 20 as the number of phenotype traits in the dataset. In this model we use differential privacy(DP) and add it to a CNN model which uses the Mean squared error loss function and the DPKerasAdamOptimizer to add DP.

Here is my code I also will provide an attachment with the code:

`from future import absolute_import
from future import division
from future import print_function

!pip install tensorflow-privacy
import numpy as np
import tensorflow as tf
from tensorflow_privacy import *
import tensorflow_privacy

from matplotlib import pyplot as plt
import pylab as pl
import numpy as np
import pandas as pd

from tensorflow.keras.models import Model
from tensorflow.keras import datasets, layers, models, losses
from tensorflow.keras import backend as bke
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.regularizers import l1, l2, l1_l2

from sklearn import preprocessing
from sklearn.model_selection import train_test_split

batch_size = 32
epochs = 4
microbatches = 8

inChannel = 1
kr = 0
num_kernels=8
drop_perc=0.25
dim = 1

l2_norm_clip = 1.5
noise_multiplier = 1.3

learning_rate = 0.25
latent_dim = 0

def print_datashape():
print('genotype data: ', genotype_data.shape)
print('phenotype data: ', single_pheno.shape)

genotype_data = tf.random.uniform([4276, 28220],1,3, dtype=tf.dtypes.int32)
phenotype_data = tf.random.uniform([4276, 20],-4.359688,34,dtype=tf.dtypes.float32)

genotype_data = genotype_data.numpy()
phenotype_data = phenotype_data.numpy()

small_geno = genotype_data
single_pheno = phenotype_data[:, 1]

print_datashape()

df = small_geno
min_max_scaler = preprocessing.MinMaxScaler()
df = min_max_scaler.fit_transform(df)
scaled_pheno = min_max_scaler.fit_transform(single_pheno.reshape(-1,1)).reshape(-1)

feature_size= df.shape[1]
df = df.reshape(-1, feature_size, 1, 1)

train_data,test_data,train_Y,test_Y = train_test_split(df, scaled_pheno, test_size=0.2, random_state=13)
train_X,valid_X,train_Y,valid_Y = train_test_split(train_data, train_Y, test_size=0.2, random_state=13)

def print_shapes():
print('train_X: {}'.format(train_X.shape))
print('train_Y: {}'.format(train_Y.shape))
print('valid_X: {}'.format(valid_X.shape))
print('valid_Y: {}'.format(valid_Y.shape))

input_shape= (feature_size, dim, inChannel)

predictor = tf.keras.Sequential()
predictor.add(layers.Conv2D(num_kernels, (5,1), padding='same', strides=(12, 1), activation='relu', kernel_regularizer=tf.keras.regularizers.L1(kr),input_shape= input_shape))
predictor.add(layers.AveragePooling2D(pool_size=(2,1)))
predictor.add(layers.Dropout(drop_perc))
predictor.add(layers.Flatten())
predictor.add(layers.Dense(int(feature_size / 4), activation='relu'))
predictor.add(layers.Dropout(drop_perc))
predictor.add(layers.Dense(int(feature_size / 10), activation='relu'))
predictor.add(layers.Dropout(drop_perc))
predictor.add(layers.Dense(1))

mse = tf.keras.losses.MeanSquaredError(reduction=tf.keras.losses.Reduction.NONE)
optimizer = DPKerasAdamOptimizer(learning_rate=learning_rate, l2_norm_clip=l2_norm_clip, noise_multiplier=noise_multiplier, num_microbatches=microbatches)

predictor.compile(loss=mse, optimizer=optimizer, metrics=['mse'])

predictor.summary()

print_shapes()

predictor.fit(train_X, train_Y,batch_size=batch_size,epochs=epochs,verbose=1, validation_data=(valid_X, valid_Y))`

ValueError: Shapes must be equal rank, but are 1 and 0 From merging shape 0 with other shapes. for '{{node AddN}} = AddN[N=2, T=DT_FLOAT](mean_squared_error/weighted_loss/Mul, conv2d_2/kernel/Regularizer/mul)' with input shapes: [?], [].

code.txt

Ngôn ngữ chính
Python
Star
2k
Fork
477
Merge trung bình
17 giờ 24 phút
Pull request đã merge (30 ngày)
4

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của tensorflow/privacy

Tất cả issue của tensorflow/privacy

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.