Остановка в: Как найти автобусный маршрут или остановку в ПК-версии — Помощник 2ГИС

Губернатор Юты Спенсер Кокс подписал закон, который запрещает велосипедистам полностью останавливаться на знаках остановки, где это безопасно, по всему штату.

После неудачной попытки пройти на нескольких предыдущих сессиях законодательного собрания, законопроект 142 палаты представителей прошел через голосование в Сенате 5 марта с 28 голосами и только одним сенатором Джоном Д.Джонсон, Р.-Огден, воспротивился.

Представитель Кэрол Спакман Мосс, штат Д-р Солт-Лейк-Сити, которая спонсировала законопроект, сказала, что, по ее мнению, он наконец прошел в этом году, потому что была снята дополнительная мера, позволяющая велосипедистам также проезжать через стоп-сигналы. Несмотря на неудачные попытки принять эту меру в Юте за последние 11 лет, она неоднократно поддерживала законопроект, потому что аналогичное законодательство в других штатах показало уменьшение количества столкновений между автомобилями и велосипедистами, когда велосипедисты могут использовать свое суждение, чтобы перемещаться по тихим перекресткам, а не на дороге. по закону требуется полная остановка.

«По всем имеющимся у меня данным, большинство несчастных случаев происходит на перекрестках. Мы хотим побудить людей ездить на велосипедах. Велосипедистов убивают на перекрестках. Так что все, что мы можем сделать, чтобы проводить меньше времени на перекрестках, это безопаснее. «Сказал Мосс.

Подробнее: Вам нужно летнее вдохновение? Прокатитесь по велосипедной дорожке до точки вдохновения Брайс-Каньона

Согласно исследованию 2020 года, проведенному Государственной школой здравоохранения Беркли, в штате Айдахо травматизм велосипедистов снизился на 14,5% через год после принятия штатом «Стоп Айдахо» в 1982 году.Подобные законы недавно были приняты в Делавэре (2017 г.), Колорадо (2018 г.), Арканзасе (2019 г.), Орегоне (2020 г.) и Вашингтоне (2020 г.), и в этом году они были рассмотрены в Нью-Йорке и Калифорнии.

«Мы пытаемся добиться некоторого согласования с законами о велосипедном движении на всем Западе», — сказал Крейг Шанклин, который является президентом Южного велосипедного альянса штата Юта (SUBA), поддержавшего закон. «Многие штаты на Западе уже приняли аналогичные законы. Поэтому, когда люди путешествуют по Западу, особенно приезжие, часто они приезжают из штата, где этот закон уже является законным, и действуют в его соответствии.»

» Когда вы полностью останавливаетесь и вам нужно притормозить или просто полностью остановить свой импульс, трудно набрать скорость, чтобы иметь возможность маневрировать через перекресток «, — согласился Дэйв Илтис, редактор Cycling West. и публикации Cycling Utah. «Велосипеды не ускоряются, как автомобили, поэтому, если у вас есть хоть немного инерции, это позволит вам безопасно проехать через чистый перекресток».

Хотя закон дает велосипедистам юридическую свободу ставить ногу на землю перед каждым знаком остановки, он по-прежнему требует от них проявлять осторожность на перекрестках и проверять наличие перекрестного движения.Велосипедисты также должны ехать в том же направлении, что и движение транспорта, ехать не более чем двумя в ряд, использовать жесты руками, чтобы указать на намерение повернуть или сменить полосу движения, избегать езды в местах, где велосипеды запрещены (например, на некоторых шоссе), и следить за тем, чтобы их велосипед безопасен в эксплуатации, с рабочими тормозами и фарами при езде после наступления темноты. Велосипедисты на проезжей части должны ехать как можно правее, за исключением случаев, когда они проезжают, поворачивают налево, продолжают движение по перекрестку или избегают узких или небезопасных условий на обочине дороги.

Со своей стороны, автомобилисты должны предоставлять велосипедистам три фута свободного пространства при проезде их по проезжей части в соответствии с «законом трех футов». «Закон о подвижном угле» запрещает автомобилистам выпускать излишки выхлопных газов, которые могут отвлекать или подвергать опасности уязвимого участника дорожного движения. Автомобилистам также запрещается отправлять текстовые сообщения во время вождения, отвлекать велосипедистов или вытеснять их с проезжей части.

После того, как Кокс подписал закон, защитники велосипедистов рассматривают следующий шаг как образование автомобилистов, чтобы водители знали, что велосипедисты, проезжающие через четкие перекрестки, находятся в рамках их законных прав.

«Что касается автомобилистов, я надеюсь, что благодаря прохождению этого закона они получат какое-то образование, и они будут лучше понимать, почему он был принят, а также уникальность того, чтобы быть велосипедистом по сравнению с автомобилистом, и почему он добавляет чтобы их безопасность могла воспринимать это как знак уступки », — сказал Шанклин.

Подробнее: Бывшая звезда BYU, игрок НБА Шон Брэдли парализован после аварии на велосипеде в Сент-Джордж.

Важность принятия всех возможных мер для обеспечения безопасности велосипедистов на дорогах Юты подчеркивается новостями на этой неделе, что бывший профессиональный баскетболист Шон Брэдли был парализован в январе, когда его сбила машина, когда он ехал на велосипеде в Санкт-Петербурге.Джордж. Конгрессмен Мосс и другие сторонники законопроекта № 142 надеются, что этот новый закон поможет предотвратить травмы велосипедистов, которых можно избежать.

«Юта только что стала тем штатом, где все хотят приехать сюда и насладиться природой. И я думаю, что мы должны позволить им «, — сказала Мосс.

Джоан Майнерс — репортер по окружающей среде для The Spectrum & Daily News в рамках инициативы Report for America от The Ground Truth Project. Поддержите ее работу, сделав пожертвования этим некоммерческим программам. Cегодня.Следите за сообщениями Джоан в Twitter по адресу @beecycles или по электронной почте [email protected].

Невозможность остановиться на железнодорожном переезде школьным автобусом, грузовым автомобилем

Как обычные автомобили должны останавливаться на железнодорожных переездах, так и специальные автомобили. Транспортные средства, такие как коммерческие автомобили и школьные автобусы, должны ездить безопасно. Это означает остановки на железнодорожных переездах. Хотя это должны делать все автомобили, важно, чтобы это делали специальные автомобили, подобные этим.Это потому, что они обычно перевозят ценный груз. Школьные автобусы и другие транспортные средства перевозят много людей, и во многих случаях они возят детей. Это заставляет водителей быть еще более осторожными. Те, кто управляет коммерческими автомобилями, часто перевозят тяжелые грузы или опасные грузы.

Авария с этими транспортными средствами может нанести большой ущерб большому количеству людей. Если вы регулярно управляете одним из транспортных средств, упомянутых в этой статье, вам необходимо знать об остановках на железнодорожных переездах.Это защитит вас и окружающих. Это также предотвратит обвинения в нарушении правил дорожного движения.

Остановка на железнодорожных переездах

Школьные автобусы, коммерческие автомобили, такси и автобусы всегда должны останавливаться на железнодорожных переездах. Они должны остановиться на расстоянии не менее 15 футов, но не более 50 футов от рельсов пути. При остановке водитель транспортного средства должен смотреть и прислушиваться к приближающимся поездам или локомотивам. Водитель должен смотреть и слушать в обоих направлениях.Это позволит убедиться, что поезд не приближается. Это следует сделать перед тем, как продолжить движение. При появлении предупреждения о приближении поезда или локомотива автомобиль ни в коем случае не должен пересекать железнодорожные пути. Предупреждение может быть автоматическим сигналом, флагманом, проходными воротами, сотрудником правоохранительных органов или чем-то еще.

Переезд через железнодорожные пути

Кроме того, транспортное средство не должно пересекать железнодорожные пути, если оно не может пересечь железнодорожные пути без переключения передач.Если транспортному средству не хватает места, чтобы полностью пересечь рельсы без остановки, он не должен пересекать рельсы.

Несоблюдение любого из пунктов, упомянутых в этой статье, приведет к нарушению правил дорожного движения. Вам грозит 2 балла на основании ваших водительских прав и штраф в размере 150–250 долларов в случае признания виновным в данном нарушении. Чтобы убедиться, что ваши права защищены, подумайте о том, чтобы связаться с адвокатом по нарушениям правил дорожного движения.

Связанные поисковые запросы

1. Должен ли школьный автобус останавливаться на каждом железнодорожном переезде?
2. Штраф за неиспользование железнодорожного переезда
3. Правила переезда через железную дорогу CDL
4. Транспортные средства, требующие остановки на железнодорожных переездах
5. Почему школьные автобусы останавливаются на железнодорожных переездах и открывают двери?
6. Лицензия на коммерческий автотранспорт
7. Почему мой грузовик считается грузовым автомобилем?
8. При приближении к железнодорожному переезду с мигалками необходимо
9. Штраф за пересечение железнодорожных путей
10. Вам нужно останавливаться на школьный автобус на железнодорожных путях?

Используйте раннюю остановку, чтобы остановить обучение нейронных сетей в нужное время

Последнее обновление 25 августа 2020 г.

Проблема с обучением нейронных сетей заключается в выборе количества используемых эпох обучения.

Слишком много эпох может привести к переобучению обучающего набора данных, а слишком малое — к неполноценной модели. Ранняя остановка — это метод, который позволяет указать произвольно большое количество эпох обучения и прекратить обучение, как только производительность модели перестанет улучшаться на удерживаемом наборе данных проверки.

В этом руководстве вы откроете для себя Keras API для добавления ранней остановки, чтобы оптимизировать модели нейронных сетей с глубоким обучением.

После прохождения этого руководства вы будете знать:

• Как отслеживать производительность модели во время обучения с помощью Keras API.
• Как создавать и настраивать раннюю остановку и моделировать обратные вызовы контрольных точек с помощью Keras API.
• Как уменьшить переобучение путем добавления ранней остановки к существующей модели.

Начните свой проект с моей новой книги «Лучшее глубокое обучение», включающей пошаговые руководства и файлы исходного кода Python для всех примеров.

Приступим.

• Обновлено в октябре 2019 г. : Обновлено для Keras 2.3 и TensorFlow 2.0.

Как остановить обучение глубоких нейронных сетей в нужное время с помощью ранней остановки
Фото Яна Д. Китинга, некоторые права защищены.

Обзор учебного пособия

Это руководство разделено на шесть частей; их:

1. Использование обратных вызовов в Keras
2. Оценка набора данных проверки
3. Мониторинг производительности модели
4. Ранняя остановка в Керасе
5. Контрольно-пропускной пункт в Керасе
6. Пример использования ранней остановки

Использование обратных вызовов в Keras

позволяют выполнять код и автоматически взаимодействовать с процессом модели обучения.

Обратные вызовы могут быть предоставлены функции fit () через аргумент « callbacks ».

Во-первых, должны быть созданы экземпляры обратных вызовов.

Затем один или несколько обратных вызовов, которые вы собираетесь использовать, должны быть добавлены в список Python.

Наконец, список обратных вызовов предоставляется аргументу обратного вызова при подборе модели.

… model.fit (…, callbacks = cb_list)

Оценка набора данных проверки в Керасе

Для ранней остановки требуется, чтобы набор проверочных данных оценивался во время обучения.

Этого можно достичь, указав набор данных проверки для функции fit () при обучении вашей модели.

Это можно сделать двумя способами.

Первый включает в себя ручное разделение обучающих данных на набор данных для обучения и проверки и указание набора данных проверки для функции fit () с помощью аргумента validation_data .Например:

… model.fit (train_X, train_y, validation_data = (val_x, val_y))

В качестве альтернативы, функция fit () может автоматически разделить ваш обучающий набор данных на обучающий и проверочный наборы на основе процентного разделения, указанного с помощью аргумента validation_split .

validation_split — это значение от 0 до 1 и определяет процентную долю обучающего набора данных, которая будет использоваться для набора данных проверки. Например:

… model.fit (train_X, train_y, validation_split = 0,3)

В обоих случаях модель не обучается на наборе данных проверки.Вместо этого модель оценивается в наборе данных проверки в конце каждой эпохи обучения.

Хотите лучших результатов с помощью глубокого обучения?

Пройдите бесплатный 7-дневный ускоренный курс по электронной почте (с образцом кода).

Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

Загрузите БЕСПЛАТНЫЙ мини-курс

Мониторинг производительности модели

Функция потерь, выбранная для оптимизации для вашей модели, вычисляется в конце каждой эпохи.

Для обратных вызовов это доступно через имя « потеря ».

Если набор данных проверки указан для функции fit () с помощью аргументов validation_data или validation_split , то потеря в наборе данных проверки будет доступна через имя « val_loss ».

Дополнительные метрики можно отслеживать во время обучения модели.

Их можно указать при компиляции модели с помощью аргумента « metrics » функции компиляции.Этот аргумент принимает список известных метрических функций Python, например « mse » для среднеквадратичной ошибки и « точность » для точности. Например:

… model.compile (…, metrics = [‘precision’])

Если во время обучения отслеживаются дополнительные метрики, они также доступны для обратных вызовов через одно и то же имя, например « precision » для точности набора данных обучения и « val_accuracy » для точности набора данных проверки.Или « mse » для среднеквадратичной ошибки в наборе обучающих данных и « val_mse » для набора данных проверки.

Ранняя остановка в Керасе

Keras поддерживает раннюю остановку обучения с помощью функции обратного вызова EarlyStopping .

Этот обратный вызов позволяет вам указать показатель производительности для мониторинга, триггер, и после его запуска он остановит процесс обучения.

Обратный вызов EarlyStopping настраивается при создании экземпляра с помощью аргументов.

«Монитор » позволяет указать показатель производительности, который нужно отслеживать, чтобы завершить обучение. Напомним из предыдущего раздела, что расчет показателей в наборе данных проверки будет иметь префикс « val_ », например « val_loss » для потерь в наборе данных проверки.

es = EarlyStopping (monitor = ‘val_loss’)

В зависимости от выбора показателя производительности, в аргументе « mode » необходимо указать, является ли целью выбранной метрики увеличение (максимизация или « макс., ») или уменьшение (минимизация или « мин. ‘).

Например, мы будем искать минимум для потерь при проверке и минимум для среднеквадратичной ошибки при проверке, тогда как мы будем искать максимум для точности проверки.

es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’)

По умолчанию режим установлен на « авто » и знает, что вы хотите минимизировать потери или максимизировать точность.

Это все, что нужно для простейшей формы ранней остановки. Обучение остановится, когда выбранный показатель производительности перестанет улучшаться. Чтобы определить эпоху обучения, в которой обучение было остановлено, аргумент « verbose » может быть установлен в 1. После остановки обратный вызов напечатает номер эпохи.

es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1)

Часто первый признак отсутствия дальнейшего улучшения может быть не лучшим временем для прекращения тренировки.Это связано с тем, что модель может выйти на плато без улучшения или даже немного ухудшиться, прежде чем станет намного лучше.

Мы можем учесть это, добавив задержку к триггеру с точки зрения количества эпох, в которых мы не хотели бы видеть никаких улучшений. Это можно сделать, задав аргумент « терпение ».

es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1, терпение = 50)

Точное количество терпения будет зависеть от модели и проблемы.Просмотр графиков вашего показателя производительности может быть очень полезным, чтобы понять, насколько шумным может быть процесс оптимизации вашей модели на ваших данных.

По умолчанию любое изменение показателя производительности, даже незначительное, будет считаться улучшением. Возможно, вы захотите рассмотреть улучшение, которое представляет собой конкретное приращение, например, 1 единицу для среднеквадратичной ошибки или 1% для точности. Это можно указать с помощью аргумента « min_delta ».

es = EarlyStopping (monitor = ‘val_accuracy’, mode = ‘max’, min_delta = 1)

Наконец, может быть желательно прекратить тренировку только в том случае, если производительность остается выше или ниже заданного порога или базового уровня.Например, если вы знакомы с обучением модели (например, кривыми обучения) и знаете, что после того, как достигается потеря валидации заданного значения, нет смысла продолжать обучение. Это можно указать, задав аргумент « baseline ».

Это может быть более полезным при точной настройке модели после того, как пройдут первоначальные резкие колебания показателя производительности, наблюдаемые на ранних этапах обучения новой модели.

es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, baseline = 0.4)

КПП в Керасе

Обратный вызов EarlyStopping прекратит обучение после запуска, но модель в конце обучения может не быть моделью с наилучшей производительностью в наборе данных проверки.

Требуется дополнительный обратный вызов, чтобы сохранить лучшую модель, наблюдаемую во время обучения, для дальнейшего использования.Это обратный вызов ModelCheckpoint .

Обратный вызов ModelCheckpoint гибок в том, как его можно использовать, но в этом случае мы будем использовать его только для сохранения лучшей модели, наблюдаемой во время обучения, как определено выбранным показателем производительности в наборе данных проверки.

Для сохранения и загрузки моделей требуется, чтобы на вашей рабочей станции была установлена ​​поддержка HDF5. Например, используя установщик Python pip , этого можно достичь следующим образом:

Вы можете узнать больше из документации по установке h5py.

Обратный вызов сохранит модель в файл, для чего необходимо указать путь и имя файла с помощью первого аргумента.

mc = ModelCheckpoint (‘best_model.h5’)

Предпочтительная функция потерь, которую необходимо отслеживать, может быть указана с помощью аргумента монитора так же, как обратный вызов EarlyStopping .Например, потеря в наборе данных проверки (по умолчанию).

mc = ModelCheckpoint (‘best_model.h5’, monitor = ‘val_loss’)

Также, как и в случае обратного вызова EarlyStopping , мы должны указать « mode » как минимизирующий или максимизирующий показатель производительности. Опять же, значение по умолчанию — « авто », что учитывает стандартные показатели производительности.

mc = ModelCheckpoint (‘best_model.h5’, monitor = ‘val_loss’, mode = ‘min’)

Наконец, нас интересует только самая лучшая модель, наблюдаемая во время обучения, а не лучшая по сравнению с предыдущей эпохой, которая может быть не лучшей в целом, если тренировка шумная. Этого можно добиться, задав для аргумента « save_best_only » значение True .

mc = ModelCheckpoint (‘best_model.h5’, monitor = ‘val_loss’, mode = ‘min’, save_best_only = True)

Это все, что необходимо для обеспечения максимальной производительности модели при использовании ранней остановки или в целом.

Может быть интересно узнать значение показателя производительности и в какой период была сохранена модель.Это можно распечатать с помощью обратного вызова, установив для аргумента « подробный » значение « 1 ».

mc = ModelCheckpoint (‘best_model.h5’, monitor = ‘val_loss’, mode = ‘min’, verbose = 1)

Сохраненную модель затем можно загрузить и оценить в любое время, вызвав функцию load_model () .

# загрузить сохраненную модель из keras.models импортировать load_model сохраненная_модель = load_model (‘best_model.h5’)

Теперь, когда мы знаем, как использовать API ранней остановки и моделирования контрольных точек, давайте посмотрим на рабочий пример.

Пример использования ранней остановки

В этом разделе мы продемонстрируем, как использовать раннюю остановку для уменьшения переобучения MLP в простой задаче двоичной классификации.

В этом примере представлен шаблон для применения раннего останова к вашей собственной нейронной сети для задач классификации и регрессии.

Задача двоичной классификации

Мы будем использовать стандартную задачу двоичной классификации, которая определяет два полукруга наблюдений, по одному полукругу для каждого класса.

Каждое наблюдение имеет две входные переменные с одинаковым масштабом и выходным значением класса 0 или 1. Этот набор данных называется набором данных « луны » из-за формы наблюдений в каждом классе при нанесении на график.

Мы можем использовать функцию make_moons () для создания наблюдений по этой проблеме. Мы добавим шум к данным и заполним генератор случайных чисел, чтобы при каждом запуске кода генерировались одни и те же выборки.

# создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1)

Мы можем построить набор данных, где две переменные взяты как координаты x и y на графике, а значение класса будет принято как цвет наблюдения.

Полный пример создания набора данных и его построения приведен ниже.

# генерируем набор данных двух лун из sklearn.datasets импортировать make_moons из matplotlib import pyplot из панд импортировать DataFrame # создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1) # точечная диаграмма, точки, раскрашенные по значению класса df = DataFrame (dict (x = X [:, 0], y = X [:, 1], label = y)) colors = {0: ‘красный’, 1: ‘синий’} fig, ax = pyplot.subplots () grouped = df.groupby (‘метка’) для ключа, сгруппируйте в сгруппированные: group.plot (ax = ax, kind = ‘scatter’, x = ‘x’, y = ‘y’, label = key, color = colors [key]) pyplot.show ()

При выполнении примера создается диаграмма рассеяния, показывающая полукруглую или лунную форму наблюдений в каждом классе.Мы можем видеть шум в рассредоточении точек, делающий луны менее заметными.

Точечная диаграмма набора данных лун с цветом, показывающим значение класса для каждого образца

Это хорошая тестовая задача, потому что классы не могут быть разделены строкой, например не разделимы линейно, поэтому для адресации требуется нелинейный метод, такой как нейронная сеть.

Мы сгенерировали только 100 выборок, что мало для нейронной сети, что дает возможность переоснастить обучающий набор данных и иметь более высокую ошибку в тестовом наборе данных: хороший случай для использования регуляризации.Кроме того, в образцах присутствует шум, что дает модели возможность изучить аспекты образцов, которые не являются обобщающими.

Многослойный персептрон Overfit

Мы можем разработать модель MLP для решения этой проблемы двоичной классификации.

Модель будет иметь один скрытый слой с большим количеством узлов, чем может потребоваться для решения этой проблемы, что даст возможность переобучения. Мы также будем тренировать модель дольше, чем это требуется, чтобы обеспечить соответствие модели.

Прежде чем мы определим модель, мы разделим набор данных на обучающий и тестовый наборы, используя 30 примеров для обучения модели и 70 для оценки производительности подобранной модели.

# создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1) # разделить на поезд и тест n_train = 30 trainX, testX = X [: n_train,:], X [n_train :,:] trainy, testy = y [: n_train], y [n_train:]

Затем мы можем определить модель.

Скрытый слой использует 500 узлов и функцию выпрямленной линейной активации. В выходном слое используется сигмоидальная функция активации для прогнозирования значений класса 0 или 1. Модель оптимизирована с использованием двоичной функции кросс-энтропийных потерь, подходящей для задач двоичной классификации и эффективной версии Адама градиентного спуска.

# определить модель model = Последовательный () model.add (Dense (500, input_dim = 2, Activation = ‘relu’)) модель.добавить (Плотный (1, активация = ‘сигмоид’)) model.compile (loss = ‘binary_crossentropy’, optimizer = ‘adam’, metrics = [‘precision’])

Затем определенная модель подходит для обучающих данных для 4000 эпох и размера пакета по умолчанию, равного 32.

Мы также будем использовать тестовый набор данных в качестве набора данных для проверки. Это просто упрощение этого примера. На практике вы бы разделили обучающий набор на обучающий и проверочный, а также отложили бы набор тестов для окончательной оценки модели.

# подходящая модель history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0)

Мы можем оценить производительность модели на тестовом наборе данных и сообщить результат.

# оценить модель _, train_acc = model.evaluate (trainX, trainy, verbose = 0) _, test_acc = model.evaluate (testX, testy, verbose = 0) print (‘Поезд:% .3f, Тест:% .3f’% (train_acc, test_acc))

Наконец, мы построим график потерь модели как для поезда, так и для тестового набора для каждой эпохи.

Если модель действительно соответствует обучающему набору данных, мы ожидаем, что линейный график потерь (и точности) на обучающем наборе будет продолжать увеличиваться, а тестовый набор будет расти, а затем снова падать, поскольку модель изучает статистический шум в обучении. набор данных.

# сюжет истории тренировок pyplot.plot (history.history [‘потеря’], label = ‘поезд’) pyplot.plot (history.history [‘val_loss’], label = ‘test’) pyplot.legend () pyplot.show ()

Мы можем связать все эти части вместе; полный пример приведен ниже.

# mlp overfit в наборе данных лун из sklearn.datasets импортировать make_moons from keras.layers import Плотный из keras.models импорт Последовательный из matplotlib import pyplot # создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1) # разделить на поезд и тест n_train = 30 trainX, testX = X [: n_train,:], X [n_train :,:] trainy, testy = y [: n_train], y [n_train:] # определить модель model = Последовательный () модель.add (Dense (500, input_dim = 2, Activation = ‘relu’)) model.add (Плотный (1, активация = ‘сигмоид’)) model.compile (loss = ‘binary_crossentropy’, optimizer = ‘adam’, metrics = [‘precision’]) # подходящая модель history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0) # оценить модель _, train_acc = model.evaluate (trainX, trainy, verbose = 0) _, test_acc = model.evaluate (testX, testy, verbose = 0) print (‘Поезд:% .3f, Тест:% .3f’% (train_acc, test_acc)) # сюжет истории тренировок пиплот.сюжет (history.history [‘loss’], label = ‘train’) pyplot.plot (history.history [‘val_loss’], label = ‘test’) pyplot.legend () pyplot.show ()

При выполнении примера отображается производительность модели в наборах данных поезда и тестирования.

Мы видим, что модель имеет лучшую производительность на обучающем наборе данных, чем на тестовом наборе данных, что является одним из возможных признаков переобучения.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Подумайте о том, чтобы запустить пример несколько раз и сравнить средний результат.

Поскольку модель сильно переоборудована, мы обычно не ожидаем большой разницы в точности при повторных прогонах модели на одном и том же наборе данных.

Поезд: 1.000, Тест: 0.914

Создается рисунок, показывающий линейные графики потерь модели на поезде и тестовых наборах.

Мы можем видеть ту ожидаемую форму модели с переобучением, где точность теста увеличивается до определенного значения, а затем снова начинает уменьшаться.

Просматривая рисунок, мы также можем видеть плоские участки на подъемах и падениях в потерях при проверке. Любая ранняя остановка должна учитывать такое поведение. Мы также ожидаем, что хорошее время для прекращения тренировок может быть около 800-й эпохи.

Линейные графики потерь на тренировочных и тестовых наборах данных во время тренировки, показывающие модель переобучения

Переоборудование MLP с ранней остановкой

Мы можем обновить пример и добавить очень простую раннюю остановку.

Как только потеря модели начнет увеличиваться на тестовом наборе данных, мы прекратим обучение.

Во-первых, мы можем определить обратный вызов для ранней остановки.

# простая ранняя остановка es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1)

Затем мы можем обновить вызов функции fit () и указать список обратных вызовов с помощью аргумента « callback ».

# подходящая модель history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0, callbacks = [es])

Полный пример с добавлением простой ранней остановки приведен ниже.

# mlp overfit на наборе данных лун с простой ранней остановкой из склеарна.наборы данных импортировать make_moons из keras.models импорт Последовательный from keras.layers import Плотный из keras.callbacks import EarlyStopping из matplotlib import pyplot # создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1) # разделить на поезд и тест n_train = 30 trainX, testX = X [: n_train,:], X [n_train :,:] trainy, testy = y [: n_train], y [n_train:] # определить модель model = Последовательный () model.add (Dense (500, input_dim = 2, Activation = ‘relu’)) модель.добавить (Плотный (1, активация = ‘сигмоид’)) model.compile (loss = ‘binary_crossentropy’, optimizer = ‘adam’, metrics = [‘precision’]) # простая ранняя остановка es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1) # подходящая модель history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0, callbacks = [es]) # оценить модель _, train_acc = model.evaluate (trainX, trainy, verbose = 0) _, test_acc = model.evaluate (testX, testy, verbose = 0) print (‘Поезд:%.3f, Тест:% .3f ‘% (train_acc, test_acc)) # сюжет истории тренировок pyplot.plot (history.history [‘потеря’], label = ‘поезд’) pyplot.plot (history.history [‘val_loss’], label = ‘test’) pyplot.legend () pyplot.show ()

При выполнении примера отображается производительность модели в наборах данных поезда и тестирования.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Подумайте о том, чтобы запустить пример несколько раз и сравнить средний результат.

Мы также можем видеть, что обратный вызов остановил обучение в эпоху 200. Это слишком рано, поскольку мы ожидаем, что ранняя остановка будет около эпохи 800. Это также подчеркивается точностью классификации как для поезда, так и для наборов тестов, которая хуже чем без ранней остановки.

Эпоха 00219: ранняя остановка Поезд: 0,967, Тест: 0,814

Просматривая линейный график потерь поездов и тестов, мы действительно видим, что обучение было остановлено в момент, когда потеря валидации впервые начала выходить на плато.

Линейный график потери поезда и теста во время тренировки с простой ранней остановкой

Мы можем улучшить триггер для ранней остановки, подождав некоторое время перед остановкой.

Этого можно добиться, задав аргумент « терпение ».

В этом случае мы будем ждать 200 эпох, прежде чем обучение будет остановлено. В частности, это означает, что мы позволим обучению продолжаться еще до 200 эпох после того, как потеря валидации начала ухудшаться, давая процессу обучения возможность преодолеть плоские участки или найти какое-то дополнительное улучшение.

# пациент преждевременно прекратил лечение es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1, терпение = 200)

Полный пример с этим изменением приведен ниже.

# mlp overfit в наборе данных лун с ранней остановкой пациента из sklearn.datasets импортировать make_moons из keras.models импорт Последовательный from keras.layers import Плотный из keras.callbacks import EarlyStopping из matplotlib import pyplot # создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1) # разделить на поезд и тест n_train = 30 trainX, testX = X [: n_train,:], X [n_train :,:] trainy, testy = y [: n_train], y [n_train:] # определить модель model = Последовательный () модель.add (Dense (500, input_dim = 2, Activation = ‘relu’)) model.add (Плотный (1, активация = ‘сигмоид’)) model.compile (loss = ‘binary_crossentropy’, optimizer = ‘adam’, metrics = [‘precision’]) # пациент преждевременно прекратил лечение es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1, терпение = 200) # подходящая модель history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0, callbacks = [es]) # оценить модель _, train_acc = model.evaluate (trainX, trainy, verbose = 0) _, test_acc = модель.оценить (testX, testy, verbose = 0) print (‘Поезд:% .3f, Тест:% .3f’% (train_acc, test_acc)) # сюжет истории тренировок pyplot.plot (history.history [‘потеря’], label = ‘поезд’) pyplot.plot (history.history [‘val_loss’], label = ‘test’) pyplot.legend () pyplot.show ()

Запустив пример, мы видим, что обучение было остановлено намного позже, в данном случае после 1000-й эпохи.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Подумайте о том, чтобы запустить пример несколько раз и сравнить средний результат.

Мы также можем видеть, что производительность на тестовом наборе данных лучше, чем без использования какой-либо ранней остановки.

Эпоха 01033: ранняя остановка Поезд: 1.000, Тест: 0.943

Просматривая линейный график потерь во время тренировки, мы видим, что терпение позволило тренировке пройти мимо некоторых небольших плоских и плохих точек.

Линейный график потерь при тренировке и тестировании во время тренировки с ранней остановкой пациента

Мы также можем видеть, что потери в тестах снова начали расти примерно за последние 100 эпох.

Это означает, что, хотя производительность модели улучшилась, у нас может быть не самая эффективная или самая стабильная модель в конце обучения.Мы можем решить эту проблему, используя обратный вызов ModelChecckpoint .

В этом случае мы заинтересованы в сохранении модели с максимальной точностью в тестовом наборе данных. Мы также могли бы найти модель с лучшими потерями в тестовом наборе данных, но это может или не может соответствовать модели с наилучшей точностью.

Это подчеркивает важную концепцию при выборе модели. Представление о модели « лучший » во время обучения может противоречить друг другу при оценке с использованием различных показателей эффективности.Попробуйте выбирать модели на основе метрики, по которой они будут оцениваться и представляться в предметной области. В задаче сбалансированной двоичной классификации это, скорее всего, будет точность классификации. Поэтому мы будем использовать точность проверки в обратном вызове ModelCheckpoint , чтобы сохранить лучшую модель, наблюдаемую во время обучения.

mc = ModelCheckpoint (‘best_model.h5’, monitor = ‘val_accuracy’, mode = ‘max’, verbose = 1, save_best_only = True)

Во время обучения вся модель будет сохранена в файл « best_model.h5 » только тогда, когда точность набора данных проверки улучшится в целом на протяжении всего процесса обучения. Подробный вывод также будет информировать нас об эпохе и значении точности каждый раз, когда модель сохраняется в один и тот же файл (например, перезаписывается).

Этот новый дополнительный обратный вызов может быть добавлен в список обратных вызовов при вызове функции fit () .

history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0, callbacks = [es, mc])

Нас больше не интересует линейный график потерь во время обучения; он будет почти таким же, как и в предыдущем прогоне.

Вместо этого мы хотим загрузить сохраненную модель из файла и оценить ее производительность на тестовом наборе данных.

# загружаем сохраненную модель сохраненная_модель = load_model (‘best_model.h5’) # оценить модель _, train_acc = Saved_model.evaluate (trainX, trainy, verbose = 0) _, test_acc = Saved_model.evaluate (testX, testy, verbose = 0) print (‘Поезд:% .3f, Тест:% .3f’% (train_acc, test_acc))

Полный пример с этими изменениями приведен ниже.

# mlp overfit в наборе данных лун с ранней остановкой пациента и контрольными точками модели из sklearn.datasets импортировать make_moons из keras.models импорт Последовательный from keras.layers import Плотный из кераса.обратные вызовы импортируют EarlyStopping из keras.callbacks импортировать ModelCheckpoint из matplotlib import pyplot из keras.models импортировать load_model # создать 2d набор данных классификации X, y = make_moons (n_samples = 100, noise = 0.2, random_state = 1) # разделить на поезд и тест n_train = 30 trainX, testX = X [: n_train,:], X [n_train :,:] trainy, testy = y [: n_train], y [n_train:] # определить модель model = Последовательный () model.add (Dense (500, input_dim = 2, Activation = ‘relu’)) модель.добавить (Плотный (1, активация = ‘сигмоид’)) model.compile (loss = ‘binary_crossentropy’, optimizer = ‘adam’, metrics = [‘precision’]) # простая ранняя остановка es = EarlyStopping (monitor = ‘val_loss’, mode = ‘min’, verbose = 1, терпение = 200) mc = ModelCheckpoint (‘best_model.h5’, monitor = ‘val_accuracy’, mode = ‘max’, verbose = 1, save_best_only = True) # подходящая модель history = model.fit (trainX, trainy, validation_data = (testX, testy), epochs = 4000, verbose = 0, callbacks = [es, mc]) # загружаем сохраненную модель save_model = load_model (‘лучшая_модель.h5 ‘) # оценить модель _, train_acc = Saved_model.evaluate (trainX, trainy, verbose = 0) _, test_acc = Saved_model.evaluate (testX, testy, verbose = 0) print (‘Поезд:% .3f, Тест:% .3f’% (train_acc, test_acc))

Запустив пример, мы можем увидеть подробные выходные данные обратного вызова ModelCheckpoint как при сохранении новой лучшей модели, так и при отсутствии улучшений.

Мы видим, что лучшая модель наблюдалась в эпоху 879 во время этого сеанса.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Подумайте о том, чтобы запустить пример несколько раз и сравнить средний результат.

Опять же, мы видим, что раннее прекращение терпеливо продолжалось до 1000-й эпохи. Обратите внимание, что эпоха 880 + терпение 200 — это не эпоха 1044. Напомним, что ранняя остановка отслеживает потери в наборе данных проверки и что контрольная точка модели сохраняет модели на основе точности.Таким образом, терпение к ранней остановке началось в эпоху, отличную от 880 года.

… Эпоха 00878: значение val_acc не улучшилось с 0,92857 Эпоха 00879: значение val_acc улучшено с 0,92857 до 0,94286, модель сохранена в best_model.h5 Эпоха 00880: значение val_acc не улучшилось с 0,94286 … Эпоха 01042: значение val_acc не улучшилось с 0,94286 Эпоха 01043: значение val_acc не улучшилось с 0,94286 Эпоха 01044: значение val_acc не улучшилось с 0,94286 Эпоха 01044: ранняя остановка Поезд: 1.000, Тест: 0,943

В этом случае мы не видим дальнейшего улучшения точности модели в тестовом наборе данных. Тем не менее, мы следовали хорошей практике.

Почему бы не контролировать точность проверки для ранней остановки?

Это хороший вопрос. Основная причина заключается в том, что точность — это грубая мера производительности модели во время обучения, а потеря дает больше нюансов при использовании ранней остановки с проблемами классификации.Та же мера может использоваться для ранней остановки и определения контрольных точек модели в случае регрессии, например, среднеквадратичная ошибка.

Расширения

В этом разделе перечислены некоторые идеи по расширению учебника, которые вы, возможно, захотите изучить.

• Использовать точность . Обновите пример, чтобы отслеживать точность набора тестовых данных, а не потери, и построить кривые обучения, показывающие точность.
• Использовать набор истинной проверки . Обновите пример, чтобы разделить обучающий набор на обучающий и проверочный, а затем оценить модель на тестовом наборе данных.
• Пример регрессии . Создайте новый пример использования ранней остановки для решения проблемы переобучения простой регрессии и отслеживания среднеквадратичной ошибки.

Если вы изучите какое-либо из этих расширений, я хотел бы знать.

Дополнительная литература

Этот раздел предоставляет дополнительные ресурсы по теме, если вы хотите углубиться.

Посты

API

Сводка

В этом руководстве вы открыли для себя Keras API для добавления ранней остановки, чтобы оптимизировать модели нейронных сетей с глубоким обучением.

В частности, вы выучили:

• Как отслеживать производительность модели во время обучения с помощью Keras API.
• Как создавать и настраивать раннюю остановку и моделировать обратные вызовы контрольных точек с помощью Keras API.
• Как уменьшить переоснащение путем добавления ранней остановки к существующей модели.

Есть вопросы?
Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Разрабатывайте лучшие модели глубокого обучения сегодня!

Тренируйтесь быстрее, меньше перетяжек и ансамбли

…с всего несколькими строками кода Python

Узнайте, как в моей новой электронной книге:
Better Deep Learning

Он предоставляет руководств для самообучения по таким темам, как:
снижение веса , пакетная нормализация , выпадение , укладка моделей и многое другое …

Сделайте свои проекты более глубокими!

Пропустить академики. Только результаты.

Останавливаются ли движущиеся грузовики на весовых станциях? [Обновлено 2021 г.]

Если вы совершаете переезд на большие расстояния, вам может быть интересно, останавливаются ли арендованные грузовики на станциях взвешивания по пути.В некоторых штатах требуется, чтобы арендованные движущиеся грузовики останавливались на станциях взвешивания, однако арендованные грузовики, используемые для перевозки личного имущества, обычно не нуждаются в остановке на станциях взвешивания.

Что такое арендованный движущийся грузовик?

Грузовик U-Haul — это движущийся грузовик, который вы можете арендовать. Самая распространенная причина, по которой люди арендуют грузовик, — это переезд в другой дом. Вы можете использовать арендованный грузовик, чтобы перемещаться по улице или по стране.

Некоторые другие причины, по которым люди арендуют грузовик, заключаются в том, чтобы пожертвовать мебель, забрать недавно купленную мебель или перевезти предметы домашнего обихода на местную свалку мусора.

U-Haul — не единственная компания по аренде грузовых автомобилей, но они наиболее известны. Другие компании по аренде грузовиков включают:

• Penske Truck Rental
• Budget Truck Rental
• Enterprise Truck Rental
• Ryder Truck Rental
• Home Depot Truck Rental

Грузовые фургоны и пикапы можно арендовать для местных перемещений из U- Перевозка, Предприятие или Домашний склад.

В чем смысл весовой станции?

Весовые станции — это контрольно-пропускные пункты на автомагистралях, где крупногабаритные автомобили, в основном грузовики, проверяются на безопасность и вес.Их основная цель — предотвратить движение тяжелых или небезопасных грузовиков по межштатным автомагистралям, сделав его более безопасным для всех водителей.

Интересный факт : Станция взвешивания, которая расположена недалеко от государственной границы, обычно называется «портом въезда». Дальнобойщики часто называют их «весами».

Должны ли арендованные грузовики останавливаться на весовых станциях?

Придется ли вам останавливаться у весов, зависит от штата, через который вы проезжаете. Есть два основных фактора, которые государство использует для определения того, кто должен останавливаться перед своими весами:

Вы перемещаете личную собственность или коммерческие товары?

Во многих штатах коммерческие автомобили должны останавливаться только на станциях взвешивания.Если ваш арендованный грузовик загружен вашим личным имуществом, например, домашними товарами, вам не нужно останавливаться в этих штатах.

Грузовик какого размера вы водите?

Даже если ваш U-Haul заполнен только вашими домашними товарами, во многих штатах требуется, чтобы все транспортные средства весом 10 000 фунтов и более останавливались. Подождите, мы ведь говорили о грузовике размера , а не о весе ? Посмотри на себя, как мило!

Поскольку это путеводитель специально посвящен арендованным грузовикам, я хотел облегчить понимание нашими читателями.И хотя я не ожидаю, что кто-то, кто арендует U-Haul каждые 2-3 года, узнает (или запомнит), сколько весит их грузовик, я, или , думаю, что большинство людей знают, какой размер грузовика они арендовали.

К счастью для всех нас, довольно легко определить вес вашего движущегося грузовика по его размеру. Ниже приведена приблизительная полная масса автомобиля для наиболее распространенных размеров арендованных грузовиков. Вы можете найти вес для всех размеров U-Haul, Penske и Budget Truck в нашем справочнике по весу арендованных грузовиков.

• 10-футовый грузовик = 8600 фунтов
• 16-20-футовый грузовик = 12 500 — 14 500 фунтов
• 26-футовый грузовик = 26 000 фунтов

Вы должны останавливаться на каждой станции взвешивания?

Если вы едете через штат, который требует, чтобы вы останавливались на их станциях взвешивания, то да, вы должны останавливаться на каждом из них, с которым сталкиваетесь (при условии, что они открыты). Это не так ужасно, как может показаться, и, скорее всего, вам не придется останавливаться более одного раза в большинстве штатов. И вот почему:

• Количество станций взвешивания в каждом штате намного меньше, чем вы думаете.Во многих штатах действует менее 15 станций
• Около 1/3 всех станций взвешивания открыты только сезонно
• Станции взвешивания, которые работают круглый год, обычно не открыты круглосуточно. Часы работы обычно соответствуют времени, когда грузовики находятся на дороге.
• Не на каждой станции взвешивания все грузовики должны останавливаться. Некоторые станции являются специализированными и могут требовать остановки только определенных типов транспортных средств, например транспортных средств, перевозящих сельскохозяйственные товары или домашний скот

В каких штатах арендованные грузовики должны останавливаться на станциях взвешивания?

Требования к весовым станциям для арендованных движущихся грузовиков , которые перевозят личных вещей :

• 8 штатов требуют, чтобы арендованные движущиеся грузовики останавливались на некоторые или все станции взвешивания
• 23 штата не требуют остановки арендованных грузовиков . Алабама, Айдахо и Монтана технически требуют прекращения аренды грузовиков, но только если они превышают 26 000 фунтов стерлингов. Арендованным грузовикам не нужно останавливаться в этих штатах, потому что максимальная полная масса арендованного грузовика составляет 26000 фунтов, поэтому она никогда не превысит пороговое значение веса
• В 2 штатах, Южная Дакота и Вирджиния, требуется остановка, когда полная масса автомобиля превышает 8000 фунтов .10-футовый U-Haul весит больше, поэтому все арендованные грузовики должны останавливаться
• В 14 штатах требуется аренда грузовиков весом 10000 фунтов или более для остановки . 10-футовый грузовик U-Haul — единственный движущийся грузовик, который вы можете арендовать, который весит меньше
• В 3 штатах, Иллинойс, Миссури и Орегон, для остановки требуется только самых больших грузовиков , исходя из их пороговых значений веса

Это информация была обновлена ​​в июле 2021 года.