深度学习Nan损失原因

Question

也许太笼统了，但是谁能解释导致卷积神经网络发散的原因？

具体：

我正在将Tensorflow的iris_training模型与我自己的一些数据一起使用，并不断获取

错误：tensorflow：模型因损失= NaN而发散。

追踪...

tensorflow.contrib.learn.python.learn.monitors.NanLossDuringTrainingError：训练期间NaN丢失。

追溯源自行：

 tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
                                        hidden_units=[300, 300, 300],
                                        #optimizer=tf.train.ProximalAdagradOptimizer(learning_rate=0.001, l1_regularization_strength=0.00001),                                                          
                                        n_classes=11,
                                        model_dir="/tmp/iris_model")

我尝试过调整优化器，将学习率设置为零，并且不使用优化器。任何对网络层，数据大小等的见解都值得赞赏。

Answer 1

我见过很多东西使模型有所不同。

1. 学习率太高。您通常可以判断出损失是否开始增加然后发散到无穷大。

2. 我不熟悉DNNClassifier，但是我猜想它使用了分类交叉熵代价函数。这涉及获取预测的对数，该对数随着预测接近零而发散。这就是为什么人们通常在预测中添加较小的ε值以防止这种差异。我猜测DNNClassifier可能会这样做或使用tensorflow opp。可能不是问题。

3. 可能存在其他数值稳定性问题，例如除以零会增加epsilon的作用。如果在处理有限精度数时未适当简化，则导数的平方根可以发散的另一种不那么明显的方法。我再次怀疑这是DNNClassifier的问题。

4. 您可能对输入数据有疑问。尝试在输入数据上调用assert not np.any(np.isnan(x))，以确保您没有引入nan。还要确保所有目标值均有效。最后，确保数据正确归一化。您可能希望像素在[-1，1]范围内，而不是[0，255]。

5. 标签必须在损失函数的域中，因此，如果使用基于对数的损失函数，则所有标签都必须为非负数（如evan pu和下面的注释所指出的。）>] >>

如果您正在训练交叉熵，则希望在输出概率中添加一个小数，例如1e-8。

因为log（0）为负无穷大，当您的模型经过足够的训练后，输出分布将非常偏斜，例如说我正在执行4类输出，一开始我的机率就好像]

0.25 0.25 0.25 0.25
但是到最后，可能性可能看起来像
1.0 0 0 0
并且您对这个分布取交叉熵，一切都会爆炸。解决方法是人为地在所有术语中添加少量数字，以防止出现这种情况。

如果使用整数作为目标，请确保它们不对称于0。

即，不要使用-1、0、1类。而应使用0、1、2类。

就我而言，设置远距离整数标签时得到NAN。即：

• 标签[0..100]培训还可以，

标签[0..100]加上一个附加标签8000，然后我得到了NAN。

因此，请不要使用距离太远的标签。

编辑您可以在以下简单代码中看到效果：

from keras.models import Sequential
from keras.layers import Dense, Activation
import numpy as np

X=np.random.random(size=(20,5))
y=np.random.randint(0,high=5, size=(20,1))

model = Sequential([
            Dense(10, input_dim=X.shape[1]),
            Activation('relu'),
            Dense(5),
            Activation('softmax')
            ])
model.compile(optimizer = "Adam", loss = "sparse_categorical_crossentropy", metrics = ["accuracy"] )

print('fit model with labels in range 0..5')
history = model.fit(X, y, epochs= 5 )

X = np.vstack( (X, np.random.random(size=(1,5))))
y = np.vstack( ( y, [[8000]]))
print('fit model with labels in range 0..5 plus 8000')
history = model.fit(X, y, epochs= 5 )
结果显示添加标签8000后的NAN：
fit model with labels in range 0..5
Epoch 1/5
20/20 [==============================] - 0s 25ms/step - loss: 1.8345 - acc: 0.1500
Epoch 2/5
20/20 [==============================] - 0s 150us/step - loss: 1.8312 - acc: 0.1500
Epoch 3/5
20/20 [==============================] - 0s 151us/step - loss: 1.8273 - acc: 0.1500
Epoch 4/5
20/20 [==============================] - 0s 198us/step - loss: 1.8233 - acc: 0.1500
Epoch 5/5
20/20 [==============================] - 0s 151us/step - loss: 1.8192 - acc: 0.1500
fit model with labels in range 0..5 plus 8000
Epoch 1/5
21/21 [==============================] - 0s 142us/step - loss: nan - acc: 0.1429
Epoch 2/5
21/21 [==============================] - 0s 238us/step - loss: nan - acc: 0.2381
Epoch 3/5
21/21 [==============================] - 0s 191us/step - loss: nan - acc: 0.2381
Epoch 4/5
21/21 [==============================] - 0s 191us/step - loss: nan - acc: 0.2381
Epoch 5/5
21/21 [==============================] - 0s 188us/step - loss: nan - acc: 0.2381

如果您想收集有关该错误的更多信息，并且如果该错误是在前几次迭代中发生的，则建议您在仅CPU模式（无GPU）下运行实验。该错误信息将更加具体。

来源：https://github.com/tensorflow/tensor2tensor/issues/574

正规化可以提供帮助。对于分类器，无论是二进制分类器还是多分类器，都有很好的活动正则化条件。对于回归器，内核正则化可能更合适。

Answer 2

如果您正在训练交叉熵，则希望在输出概率中添加一个小数，例如1e-8。

Answer 3

如果使用整数作为目标，请确保它们不对称于0。

Answer 4

就我而言，设置远距离整数标签时得到NAN。即：

Answer 5

如果您想收集有关该错误的更多信息，并且如果该错误是在前几次迭代中发生的，则建议您在仅CPU模式（无GPU）下运行实验。该错误信息将更加具体。

Answer 6

正规化可以提供帮助。对于分类器，无论是二进制分类器还是多分类器，都有很好的活动正则化条件。对于回归器，内核正则化可能更合适。