深度学习难的原因

Question

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。

Answer 1

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，例如除以零，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）。