我刚刚在我的机器学习生涯的开始,并想创建简单的CNN来分类2种不同的树叶(属于2种不同树种)。在收集大量的树叶图片之前,我决定在Tensorflow中创建非常小巧,简单的CNN,并仅在一幅图像上进行训练,以检查代码是否正常。我将大小为256x256(x 3通道)的照片标准化为< 0,1>,并创建了4层(2 conv和2 dense)网络。不幸的是,从一开始,损失几乎总是趋向于一些常数值(通常是一些整数)。我认为图片有些问题,所以我用相同尺寸的随机数组替换它。不幸的是,损失仍然不变。有时网络似乎在学习,因为损失在减少,但大多数时候从一开始就是不变的。任何人都可以帮助解释,为什么这样呢?我读过一个例子的培训是检查你的代码是否缺乏错误的最好方法,但是我与它斗争的时间越长,我越是看不到。CNN在Tensorflow - 损失保持不变
这是我的代码(基于此TensorFlow教程1)。我使用了指数线性单位,因为我认为我的问题是由初始化不良的ReLU中0梯度引起的。
import matplotlib.pyplot as plt
import numpy as np
from numpy import random
from sklearn import utils
import tensorflow as tf
#original dataset of 6 leaves
# input = [ndimage.imread("E:\leaves\dab1.jpg"),
# ndimage.imread("E:\leaves\dab2.jpg"),
# ndimage.imread("E:\leaves\dab3.jpg"),
# ndimage.imread("E:\leaves\klon1.jpg"),
# ndimage.imread("E:\leaves\klon2.jpg"),
# ndimage.imread("E:\leaves\klon3.jpg")]
#normalize each image (originally uint8)
#input=[input/255 for i in range(len(input))
#temporary testing dataset, mimicking 6 images, each 3-channel, of dimension 256x256
input=[random.randn(256,256,3)]
# random.randn(256, 256, 3),
# random.randn(256, 256, 3),
# random.randn(256, 256, 3),
# random.randn(256, 256, 3),
# random.randn(256, 256, 3)]
#each image belong to one of two classes
labels=[[1]]#,[1,0],[1,0],[0,1],[0,1],[0,1]]
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.truncated_normal(shape, stddev=.1)
return tf.Variable(initial)
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
x = tf.placeholder(tf.float32, shape=[None, 256,256,3])
y_ = tf.placeholder(tf.float32, shape=[None, 1])
x_image = tf.reshape(x, [-1,256,256,3])
#first conv layer
W_conv1 = weight_variable([5,5, 3,8])
b_conv1 = bias_variable([8])
h_conv1 = tf.nn.elu(conv2d(x_image, W_conv1) + b_conv1)
#second conv layer
W_conv2 = weight_variable([5,5, 8,16])
b_conv2 = bias_variable([16])
h_conv2 = tf.nn.elu(conv2d(h_conv1, W_conv2) + b_conv2)
#first dense layer
W_fc1 = weight_variable([256*256*16, 10])
b_fc1 = bias_variable([10])
out_flat = tf.reshape(h_conv2, [-1, 256*256*16])
h_fc1 = tf.nn.elu(tf.matmul(out_flat, W_fc1) + b_fc1)
#second dense layer
W_fc2 = weight_variable([10, 1])
b_fc2 = bias_variable([1])
h_fc2 = tf.nn.elu(tf.matmul(h_fc1, W_fc2) + b_fc2)
#tried also with softmax with logits
cross_entropy=tf.losses.mean_squared_error(predictions=h_fc2, labels=y_)
train_step = tf.train.AdamOptimizer(1e-3).minimize(cross_entropy)
print("h2", h_fc2.shape)
print("y", y_.shape)
sess=tf.Session()
sess.run(tf.global_variables_initializer())
loss = []
for i in range(10):
sess.run(train_step, feed_dict={x:input, y_:labels})
input, labels = utils.shuffle(input, labels)
loss.append(sess.run(cross_entropy, feed_dict={x:input, y_:labels}))
print(i, " LOSS: ", loss[-1])
np.set_printoptions(precision=3, suppress=True)
for i in range(len(input)):
print(labels[i], sess.run(h_fc2, feed_dict={x:[input[i]], y_:[labels[i]]}))
plt.plot(loss)
plt.show()
在这里的是我的尝试列表:
- 底座上面的代码中损失的结果几乎总是等于4.0完全相同
- 扩大培训时间为100个时代。原来,实现不断损失的可能性增加了。这很奇怪,因为在我看来,在训练的早期阶段,时代的数量应该会改变任何事情。
- 我把特征图的数量更改为I层中的32,II层中的64和致密层中的100个神经元
- 因为我的输出是二进制的,所以最初我只使用单个输出。我将它改为排除2个输出。它将损失改为2.5。事实证明,我的输出倾向于[-1,-1],而标签是[1,0]
- 我尝试了各种学习率,从0.001到0.00005
- 我初始化了标准偏差的权重和偏差等于2而不是0.1。损失似乎减少了,但是达到了很高的价值,如1e10。所以我把时代的数量从10个改为100个,而且从一开始,损失就是2.5个。在回到10个时期后,损失仍然是2.5
- 我扩展了数据集到6个元素。损失与之前相同。
有没有人有任何想法,为什么会发生这种情况?据我所知,如果网络不能一概而论,损失不会减少,反而会增加/波动,但不会保持不变?
我以前用tf.nn.sigmoid_cross_entropy_with_logits尝试过,然后用tf.losses.mean_squared_error替换它而不更改变量名称(cross_entrophy) - 我的不好:)我在正常化后检查照片并非空白,它们被转换为浮动他们的价值被挤压到<0,1>。正如我所说,我用浮点值和标准偏差= <0.1; 2>随机numpy阵列替换我的照片。删除多余的呼叫后,开始减少,但现在趋向于恰好为2.0的值。事实证明,输出几乎都是-1的所有向量。我不知道为什么,我不使用-1的地方 – tech2nick