Question

我目前正致力于改造Andrew Ng＆＃34;机器学习＆＃34;来自Coursera的课程作业，我陷入了Logistic回归部分。

filename = 'data/ex2data1.txt'
data = np.loadtxt(filename, delimiter = ",", unpack = True)

# Data matrices
xtr = np.transpose(np.array(data[:-1]))
ytr = np.transpose(np.array(data[-1:]))

# Initial weights
W = tf.Variable(tf.zeros([2,1], dtype = tf.float64))

# Bias
b = tf.Variable(tf.zeros([1], dtype = tf.float64))

# Cost function
y_ = tf.nn.sigmoid(tf.matmul(xtr,W) + b)

cost = -tf.reduce_mean(ytr*tf.log(y_) + (1-ytr)*tf.log(1-y_))
optimize = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

corr = tf.equal(tf.argmax(ytr,1), tf.argmax(y_,1))
acc = tf.reduce_mean(tf.cast(corr, tf.float64))

init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(cost))
    for _ in range(3):
        sess.run(optimize)
        print(sess.run(cost))

这就产生了答案：

0.69314718056
nan
nan
nan

成本函数的第一个结果是正确的，但接下来应该是：

3.0133
1.5207
0.7336

而且我得到了一堆NaN's。我尝试过较低的学习率，但都无济于事。我究竟做错了什么？是否可以在TensorFlow中重现此分配？

PS：其他python解决方案似乎都在使用scipy.optimize，但我不知道如何将其与TensorFlow值一起使用，如果可能的话我只想使用TensorFlow。

编辑：我也试过把偏见作为tf.ones而不是tf.zeros，但它也没有用。

Answer 1

您的对数未对输入进行消毒处理。很可能你会有负输入值快速NaN任何浮点数运算。

What I did in Java code that makes heavy use of logs in similar domain:

检查NaN或无穷大并假设输出为零
如果为负输入，则将输出剪辑为某个静态数字，例如。 log（1e-5）〜= -11.51
否则只需记录日志

在Java中，代码看起来像这样，应该不难转换为tf：

public static double guardedLogarithm(double input) {
    if (Double.isNaN(input) || Double.isInfinite(input)) {
      return 0d;
    } else if (input <= 0d || input <= -0d) {
      // assume a quite low value of log(1e-5) ~= -11.51
      return -10d;
    } else {
      return FastMath.log(input);
    }
  }

为什么我的GradientDescentOptimizer会产生NaN？

1 个答案: