时间戳

首页 > 解决方案 > 混合密度网络 (MDN) 仅返回概率 1.0 和 0.0

python - 混合密度网络 (MDN) 仅返回概率 1.0 和 0.0

问题描述

我正在构建一个混合密度网络，试图预测一个变量在两个协变量上的分布。其中一个协变量具有每小时数据，而另一个在白天没有变化（即每日数据）。先前的工作表明 2 个分布应该会产生好的结果，所以我也使用 2 个分布。

对于损失函数，我使用了一个定制的负对数似然来进行正态分布，并应用了 log-sum-exp 技术。

我正在使用两个具有 relu 激活函数和 60 个神经元的隐藏层，一批 60 个和 e-4 学习率。

但是，结果显示其中一种分布的概率始终为 1，而另一种分布的概率始终为 0。我是否增加 epoch 的数量没有区别。请注意，概率为 1.0 的分布的结果是完全合理的，但考虑到该主题的先前工作，我很难相信在 60K+ 小时内，没有一个混合了 2 个不同的分布。

任何有关如何更正概率或可能是仅 0-1 概率的原因的建议都将受到高度赞赏。

from tensorflow.keras import backend as bk

# reading inputs, etc.

components = 2 # Number of normal distributions in mixture
no_parameters = 3 # Number of parameters of the mixtures (weight, mean, std. dev)
neurons = 60 # Number of neurons per layer
SB = 1 # Number of outputs we want to predict

# Make the input tensor: two covariates-- quantity & price.
inputs = ks.Input(shape=(X_train.shape[1],))

h1 = ks.layers.Dense(neurons, activation="relu",
                     kernel_initializer='ones', bias_initializer='ones')(inputs)
h2 = ks.layers.Dense(neurons, activation="relu",
                     kernel_initializer='ones', bias_initializer='ones')(h1)
alphas = ks.layers.Dense(components, activation="softmax", name="alphas",
                         kernel_initializer='ones', bias_initializer='ones')(h2)
mus = ks.layers.Dense(components, name="mus")(h2)
sigmas = ks.layers.Dense(components, activation="relu", name="sigmas",
                         kernel_initializer='ones', bias_initializer='ones')(h2)
outputVector = ks.layers.Concatenate(name="output")([alphas, mus, sigmas])

model = ks.Model(inputs=inputs, outputs=outputVector)

def slice_parameter_vectors(parameter_vector):
    """ Returns an unpacked list of parameter vectors. """
    return [parameter_vector[:, i * components:(i + 1) * components] for i in range(no_parameters)]

def log_sum_exp(x, axis=None):
    """Log-sum-exp trick implementation"""
    x_max = bk.max(x, axis=axis, keepdims=True)
    return bk.log(bk.sum(bk.exp(x - x_max),
                         axis=axis, keepdims=True)) + x_max

def mean_log_Gaussian_like2(y, parameter_vector):
    """ Computes the mean negative log-likelihood loss of the observed price given the mixture parameters. """
    alpha, mu, sigma = slice_parameter_vectors(parameter_vector)  # Unpack parameter vectors
    mu = tf.keras.backend.reshape(mu, [-1, SB, 2])
    alpha = bk.softmax(bk.clip(alpha, 1e-8, 1.))
    exponent = bk.log(alpha) - .5 * float(SB) * bk.log(2 * np.pi) \
               - float(SB) * bk.log(sigma) \
               - bk.sum((bk.expand_dims(y, 2) - mu) ** 2, axis=1) / (2 * (sigma) ** 2)
    log_likelihood = log_sum_exp(exponent, axis=1)
    return -bk.mean(log_likelihood)

model.compile(optimizer=ks.optimizers.Adam(learning_rate=1e-4, clipvalue=1.0), # , clipvalue=0.5
              loss= mean_log_Gaussian_like2,
              metrics=['accuracy'])

model.fit(X_train, y_train, batch_size=60, epochs=500)

y_pred = model.predict(X_test)

标签： pythontensorflowkerasneural-networklog-likelihood

解决方案

我解决了这个问题。解决方案是从重新定义 alpha 中去掉 softmax 函数。也就是说 alpha = bk.softmax(bk.clip(alpha, 1e-8, 1.)) 应该是 alpha = bk.clip(alpha, 1e-8, 1.)。谢谢大家。

推荐阅读