我正在尝试使用带有pytorch的简单2层神经网络,仅输入3个大小为10的输入,其中单个值作为输出。我有输入标准化和降低学习率。我的理解是,两层完全连接的神经网络应该能够轻松地适应这个数据
Features:
0.8138 1.2342 0.4419 0.8273 0.0728 2.4576 0.3800 0.0512 0.6872 0.5201
1.5666 1.3955 1.0436 0.1602 0.1688 0.2074 0.8810 0.9155 0.9641 1.3668
1.7091 0.9091 0.5058 0.6149 0.3669 0.1365 0.3442 0.9482 1.2550 1.6950
[torch.FloatTensor of size 3x10]
Targets
[124, 125, 122]
[torch.FloatTensor of size 3]
代码改编自一个简单的例子,我使用MSELoss作为损失函数。经过几次迭代后,损失分化为无穷大:
features = torch.from_numpy(np.array(features))
x_data = Variable(torch.Tensor(features))
y_data = Variable(torch.Tensor(targets))
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
self.linear = torch.nn.Linear(10,5)
self.linear2 = torch.nn.Linear(5,1)
def forward(self, x):
l_out1 = self.linear(x)
y_pred = self.linear2(l_out1)
return y_pred
model = Model()
criterion = torch.nn.MSELoss(size_average = False)
optim = torch.optim.SGD(model.parameters(), lr = 0.001)
def main():
for iteration in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(iteration, loss.data[0])
optim.zero_grad()
loss.backward()
optim.step()
任何帮助将不胜感激。感谢
编辑:
事实上,这似乎只是因为learning rate
太高了。设置为0.00001
可以解决收敛问题,尽管收敛速度很慢。
答案 0 :(得分:0)
也许您可以尝试预测日志(y)而不是y来进一步提高收敛性。此外,Adam优化器(自适应学习速率)应该有助于+ BatchNormalization(例如在线性层之间)。
答案 1 :(得分:0)
这是因为您没有在图层之间使用非线性,并且您的网络仍然是线性的。
您可以使用Relu使其非线性。您可以像这样更改正向方法:
...
y_pred = torch.nn.functional.F.relu(self.linear2(l_out1))
...