深度学习难的原因

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：

我正在使用Tensorflow的iris_training模型处理一些自己的数据，并不断获取

错误：张量流：模型因损失= NaN而发散。

追溯...

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

回溯源于以下行：

 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将受到赞赏。

我见过很多东西使模型产生分歧。

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，例如零除，在这种情况下添加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。

4. 您可能对输入数据有疑问。尝试调用assert not np.any(np.isnan(x))输入数据以确保您没有引入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]而不是[0，255]范围内。

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，则所有标签都必须是非负的（如evan pu和以下评论所指出）。

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。

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LABEL时得到NAN。即：

• 标记[0..100]的培训还可以，
• 标签[0..100]加上一个附加标签8000，然后我得到了NAN。

因此，不要使用距离很远的标签。

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，并且该错误发生在前几次迭代中，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

正则化可以提供帮助。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。

我想插入一些我经历过的（浅）原因，如下所示：

1. 我们可能已经更新了字典（用于NLP任务），但是模型和准备的数据使用了不同的字典。
2. 我们可能已经重新处理了我们的数据（二进制tf_record），但是我们加载了旧模型。重新处理的数据可能与上一个冲突。
3. 我们可能应该从头开始训练模型，但我们忘记删除检查点，并且模型会自动加载最新参数。

希望能有所帮助。

的原因nan，inf或-inf往往来自一个事实，即division by 0.0在TensorFlow不零异常导致分裂。这可能导致nan，inf或-inf“价值”。在您的训练数据中，您可能会有0.0，因此在损失函数中，您可能会做一次division by 0.0。

a = tf.constant([2., 0., -2.])
b = tf.constant([0., 0., 0.])
c = tf.constant([1., 1., 1.])
print((a / b) + c)

输出为以下张量：

tf.Tensor([ inf  nan -inf], shape=(3,), dtype=float32)

加一个小eplison（例如1e-5）通常可以解决问题。此外，从TensorFlow 2开始tf.math.division_no_nan定义了展开。

尽管大多数观点已经讨论过了。但是我想再次强调一下缺少NaN的另一个原因。

tf.estimator.DNNClassifier(
    hidden_units, feature_columns, model_dir=None, n_classes=2, weight_column=None,
    label_vocabulary=None, optimizer='Adagrad', activation_fn=tf.nn.relu,
    dropout=None, config=None, warm_start_from=None,
    loss_reduction=losses_utils.ReductionV2.SUM_OVER_BATCH_SIZE, batch_norm=False
)

默认情况下，激活功能为“ Relu”。中间层可能会生成负值，“ Relu”会将其转换为0。逐渐停止训练。

我观察到“ LeakyRelu”能够解决此类问题。