如果您正在训练交叉熵,则需要在输出概率中添加一个小数,例如1e-8。
因为log(0)是负无穷大,所以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
但到最后,可能性可能看起来像
1.0 0 0 0
然后,您将对该分布进行交叉熵分解,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。
0
如果您正在训练交叉熵,则需要在输出概率中添加一个小数,例如1e-8。
因为log(0)是负无穷大,所以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
但到最后,可能性可能看起来像
1.0 0 0 0
然后,您将对该分布进行交叉熵分解,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。
0
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。
0
我见过很多东西使模型产生分歧。
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。
我对DNNClassifier不熟悉,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。
可能存在其他数值稳定性问题,例如零除,在其中添加epsilon可能会有所帮助。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。
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))
,以确保您未引入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]而不是[0,255]范围内。
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,则所有标签都必须是非负的(如evan pu和以下评论所指出)。
0
就我而言,设置远距离整数LABEL时得到了NAN。即:
因此,请勿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
0
也许这个问题太笼统,但是谁能解释导致卷积神经网络发散的原因是什么?
细节:
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
回溯源于以下行:
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将受到赞赏。