我正在处理一个简单的逻辑回归问题。每个样本包含 7423 个特征。总共4000个训练样本和1000个测试样本。 Sklearn 需要 0.01 秒来训练模型并达到 97% 的准确率,但 Keras(TensorFlow 后端)需要 10 秒才能在 50 个周期后达到相同的精度(即使一个周期也比 sklearn 慢 20 倍)。任何人都可以阐明这个巨大的差距吗?
示例:
X_train: matrix of 4000*7423, 0.0 <= value <= 1.0
y_train: matrix of 4000*1, value = 0.0 or 1.0
X_test: matrix of 1000*7423, 0.0 <= value <= 1.0
y_test: matrix of 1000*1, value = 0.0 or 1.0
Sklearn代码:
from sklearn.linear_model.logistic import LogisticRegression
from sklearn.metrics import accuracy_score
classifier = LogisticRegression()
**# Finished in 0.01s**
classifier.fit(X_train, y_train)
predictions = classifier.predict(X_test)
print('test accuracy = %.2f' % accuracy_score(predictions, y_test))
*[output]: test accuracy = 0.97*
Keras 代码:
# Using TensorFlow as backend
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(1, input_dim=X_train.shape[1], activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
**# Finished in 10s**
model.fit(X_train, y_train, batch_size=64, nb_epoch=50, verbose=0)
result = model.evaluate(X_test, y_test, verbose=0)
print('test accuracy = %.2f' % result[1])
*[output]: test accuracy = 0.97*
最佳答案
可能是优化器或损失。您使用非线性。您还可能在 sklearn 中使用不同的批量大小。
但我的看法是,您有一个特定的任务,其中一个工具是为了解决它而定制的,另一个是一个更复杂的结构,可以解决它,但没有优化这样做,并且可能会这样做这个问题不需要很多东西,这会减慢一切。
关于machine-learning - 为什么 keras 比 sklearn 慢很多?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42732881/