tensorflow - 带有 'relu' 的 LSTM 'recurrent_dropout' 产生 NaN
问题描述
任何非零都会recurrent_dropout
产生 NaN 损失和权重;后者是 0 或 NaN。发生在堆叠的、浅的、stateful
, return_sequences
= 任何、带有 & w/o Bidirectional()
、activation='relu'
, 的情况下loss='binary_crossentropy'
。NaN 出现在几批中。
有什么修复吗?帮助表示赞赏。
已尝试故障排除:
recurrent_dropout=0.2,0.1,0.01,1e-6
kernel_constraint=maxnorm(0.5,axis=0)
recurrent_constraint=maxnorm(0.5,axis=0)
clipnorm=50
(凭经验确定),那达慕优化器activation='tanh'
- 无 NaN,重量稳定,最多可测试 10 个批次lr=2e-6,2e-5
- 无 NaN,重量稳定,最多可测试 10 个批次lr=5e-5
- 没有 NaN,权重稳定,3 批次 - 第 4 批次的 NaNbatch_shape=(32,48,16)
- 2批次的大损失,第3批次的NaN
注意: ,每批batch_shape=(32,672,16)
17 次调用train_on_batch
环境:
- Keras 2.2.4(TensorFlow 后端)、Python 3.7、Spyder 3.3.7(通过 Anaconda)
- GTX 1070 6GB,i7-7700HQ,12GB RAM,Win-10.0.17134 x64
- CuDNN 10+,最新的 Nvidia 驱动器
附加信息:
模型发散是自发的,即使使用固定种子(Numpy、Random 和 TensorFlow 随机种子)也会发生在不同的训练更新中。此外,当第一次发散时,LSTM 层的权重都是正常的——只是稍后才变为 NaN。
以下是,按顺序:(1)输入LSTM
;(2)LSTM
输出;(3)Dense(1,'sigmoid')
输出——三个是连续的,Dropout(0.5)
在每个之间。前面的(1)是Conv1D
层。右:LSTM 权重。“之前” = 1 次火车更新之前;"AFTER = 1 次列车更新后
分歧前:
AT 分歧:
## LSTM outputs, flattened, stats
(mean,std) = (inf,nan)
(min,max) = (0.00e+00,inf)
(abs_min,abs_max) = (0.00e+00,inf)
分歧后:
## Recurrent Gates Weights:
array([[nan, nan, nan, ..., nan, nan, nan],
[ 0., 0., -0., ..., -0., 0., 0.],
[ 0., -0., -0., ..., -0., 0., 0.],
...,
[nan, nan, nan, ..., nan, nan, nan],
[ 0., 0., -0., ..., -0., 0., -0.],
[ 0., 0., -0., ..., -0., 0., 0.]], dtype=float32)
## Dense Sigmoid Outputs:
array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]], dtype=float32)
最小的可重复示例:
from keras.layers import Input,Dense,LSTM,Dropout
from keras.models import Model
from keras.optimizers import Nadam
from keras.constraints import MaxNorm as maxnorm
import numpy as np
ipt = Input(batch_shape=(32,672,16))
x = LSTM(512, activation='relu', return_sequences=False,
recurrent_dropout=0.3,
kernel_constraint =maxnorm(0.5, axis=0),
recurrent_constraint=maxnorm(0.5, axis=0))(ipt)
out = Dense(1, activation='sigmoid')(x)
model = Model(ipt,out)
optimizer = Nadam(lr=4e-4, clipnorm=1)
model.compile(optimizer=optimizer,loss='binary_crossentropy')
for train_update,_ in enumerate(range(100)):
x = np.random.randn(32,672,16)
y = np.array([1]*5 + [0]*27)
np.random.shuffle(y)
loss = model.train_on_batch(x,y)
print(train_update+1,loss,np.sum(y))
观察:以下加速发散:
- 更高
units
(LSTM) - 更高的层数(LSTM)
- 更高
lr
<<时没有发散<=1e-4
,测试了多达 400 列火车 - 更少
'1'
的标签<<与下面没有分歧y
,即使是lr=1e-3
; 测试多达 400 辆列车
y = np.random.randint(0,2,32) # makes more '1' labels
更新:在 TF2 中未修复;from tensorflow.keras
也可以使用进口来重现。
解决方案
深入研究 LSTM 公式并挖掘源代码,一切都变得一清二楚。
判决:recurrent_dropout
与此无关;一个东西在没有人预料到的地方被循环。
真正的罪魁祸首:activation
现在,这个论点'relu'
被应用于循环转换- 与几乎所有将其显示为无害的教程相反'tanh'
。
即,activation
不仅用于隐藏到输出的转换 - 源代码;它直接计算循环状态、单元格和隐藏状态:
c = f * c_tm1 + i * self.activation(x_c + K.dot(h_tm1_c, self.recurrent_kernel_c))
h = o * self.activation(c)
解决方案:
- 适用
BatchNormalization
于 LSTM 的输入,特别是如果前一层的输出是无界的(ReLU、ELU 等)- 如果前一层的激活是紧密绑定的(例如 tanh、sigmoid),则在激活之前应用 BN (使用
activation=None
,然后是 BN,然后是Activation
层)
- 如果前一层的激活是紧密绑定的(例如 tanh、sigmoid),则在激活之前应用 BN (使用
- 使用
activation='selu'
;更稳定,但仍可能发散 - 使用较低
lr
- 应用渐变剪裁
- 使用更少的时间步长
更多答案,对一些剩余的问题:
- 为什么被
recurrent_dropout
怀疑?不严谨的测试设置;直到现在我才专注于在没有它的情况下强制发散。然而,它确实有时会加速发散——这可以通过将非 relu 贡献归零来解释,否则会抵消乘法强化。 - 为什么非零均值输入会加速分歧?加性对称;非零均值分布是不对称的,一个符号占主导地位 - 促进大的预激活,因此大的 ReLU。
- 为什么在低 lr 的情况下训练可以稳定进行数百次迭代?极端激活通过大误差引起大梯度;对于低 lr,这意味着权重会调整以防止此类激活 - 而高 lr 跳跃太快太快。
- 为什么堆叠的 LSTM 发散得更快?除了将 ReLU 提供给自己之外,LSTM 还提供下一个 LSTM,然后下一个 LSTM 将 ReLU 的 ReLU 提供给自己 --> 烟花。
2020 年1 月 22 日更新:recurrent_dropout
实际上可能是一个促成因素,因为它利用了倒置dropout ,在训练期间升级了隐藏的转换,在许多时间步上缓解了不同的行为。Git问题在这里
推荐阅读
- python - 常规 Dask 和 dask.distributed 之间的关系
- javascript - monaco-editor:如何以“actions.find”的形式订阅/收听本机命令/动作
- go - 如何重定向到另一个网页
- here-api - HERE 事件 API 状态选项
- c# - 我可以在 CreateAssetMenu 中设置子文件夹的排序顺序吗?
- c++ - 读/写 UTF-8 输入
- reactjs - WebpackError:#95313 Gatsby 构建失败
- javascript - 如何在 Typescript 中键入对象键?
- r - 将一个值与多列匹配
- javascript - React 不会呈现它收到的最后一个钩子更新