Question

我刚刚开始我的机器学习生涯，并希望创建简单的CNN来分类2种不同的叶子（属于2种不同的树种）。在收集大量的叶子图片之前，我决定在Tensorflow中创建一个非常小的，简单的CNN，并仅在一个图像上进行训练，以检查代码是否正常。我将尺寸为256×256（×3个通道）的照片标准化为＆lt; 0,1＆gt;并创建了4层（2转和2密）网络。不幸的是，损失几乎总是从一开始就倾向于某个恒定值（通常是一些整数）。我认为图片有问题，所以我用相同尺寸的随机numpy数组替换它。不幸的是，损失仍然不变。有时网似乎在学习，因为损失在减少，但大多数时候从一开始就是不变的。任何人都可以帮忙解释，为什么会这样？我读到一个例子的训练是检查你的代码缺少错误的最佳方法，但是我用它来挣扎的时间越长，我就越少看到。

这是我的代码（基于此TensorFlow教程1）。我使用指数线性单位，因为我认为我的问题是由初始化严重的ReLU中的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()

这里列出了我尝试的内容：

上面的基本代码导致损失几乎总是等于4.0
将训练时间延长至100个纪元。事实证明，实现持续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，时代的数量应该有所改变。
我将特征图的数量在I层改为32，在II层改为64，在密集层改为100个神经元
因为我的输出是二进制的，所以最初我只用了单输出。我将其更改为排除2个输出。它将损失变为2.5。事实证明，我的输出往往是[-1，-1]，而标签是[1,0]
我尝试了各种学习率，从0.001到0.00005
我初始化了权重和偏差，标准偏差等于2而不是0.1。损失似乎减少了，但实现了高价值，如1e10。所以我把时代的数量从10改为100 ......再次，损失从一开始就是2.5。回到10个时代后，损失仍为2.5
我将数据集扩展为6个元素。损失与以前相同。

有没有人有任何想法，为什么会这样？据我所知，如果网不能推广，损失不会减少而是增加/振荡但不会保持不变？

Answer 1

我找到了答案。问题是由以下行引起的：

h_fc2 = tf.nn.elu(tf.matmul(h_fc1, W_fc2) + b_fc2)

我不知道为什么，但它使输出等于-1。当我把它改成

h_fc2 = f.matmul(h_fc1, W_fc2) + b_fc2

它的工作就像一个魅力，损失开始减少。任何人都可以解释一下，为什么我们要避免在最后一层使用激活函数（我在前面提到的TensorFlow教程中看到了同样的问题）？我不明白，我认为每一层都应该有自己的激活功能？

Answer 2

我看到的一些问题：

您使用平方损失而不是交叉熵来进行分类tf.nn.sigmoid_cross_entropy_with_logits(...)，而不是tf.losses.mean_squared_error

在此代码中：

#normalize each image (originally uint8)
#input=[input/255 for i in range(len(input))

如果您的输入是uint8，您的数据可能会被舍入为0并且您只是发送空白图片，这会在您遇到的情况下收敛到一次。

您的第一个调试步骤应该是将图像保存在行之前 sess.run。保存您要发送到网络的确切图像以进行验证。不要让它变得复杂，只需使用scipy将图像保存到文件并进行健全性检查。

此外，您在此处有对TF的冗余调用：

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}))

将其替换为：

result_train_step, result_cross_entropy = sess.run([train_step, cross_entropy], feed_dict={x:input, y_:labels})

关于学习率的注意事项，从1e-4开始作为一个良好的起点。

此外，完整性检查您的标签是否与图像正确匹配，在转储图像和完整性检查时将标签保存到文件中。它很容易置换标签。

Answer 3

我也很难用自己的一项工作来解决这个问题。结果是降低学习率帮助我摆脱了不断的损失。

对于你的问题，我会建议接近5e-5的东西。希望问题能够得到解决

Answer 4

就我而言，我没有对图像input(cifar-10)进行规范化。应当将其从[0, 255]标准化为[0 ,1]。

这是我的代码：

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

x_train = x_train.astype('float32')

x_test = x_test.astype('float32')

x_train /= 255 

x_test /= 255 # [0, 255] ---> [0, 1]

希望能对您有所帮助。

Tensorflow中的CNN - 损失保持不变

4 个答案: