Question

我已经在tensorflow中编写了一个卷积网络，其中relu作为激活函数，但它没有学习（对于eval和train数据集，丢失是恒定的）。对于不同的激活功能，一切正常。

以下是创建nn的代码：

def _create_nn(self):
    current = tf.layers.conv2d(self.input, 20, 3, activation=self.activation)
    current = tf.layers.max_pooling2d(current, 2, 2)
    current = tf.layers.conv2d(current, 24, 3, activation=self.activation)
    current = tf.layers.conv2d(current, 24, 3, activation=self.activation)
    current = tf.layers.max_pooling2d(current, 2, 2)
    self.descriptor = current = tf.layers.conv2d(current, 32, 5, activation=self.activation)
    if not self.drop_conv:
        current = tf.layers.conv2d(current, self.layer_7_filters_n, 3, activation=self.activation)
    if self.add_conv:
        current = tf.layers.conv2d(current, 48, 2, activation=self.activation)

    self.descriptor = current

    last_conv_output_shape = current.get_shape().as_list()
    self.descr_size = last_conv_output_shape[1] * last_conv_output_shape[2] * last_conv_output_shape[3]

    current = tf.layers.dense(tf.reshape(current, [-1, self.descr_size]), 100, activation=self.activation)
    current = tf.layers.dense(current, 50, activation=self.last_activation)

    return current

self.activiation设置为tf.nn.relu，self.last_activiation设置为tf.nn.softmax

在这里创建了损失函数和优化器：

    self._nn = self._create_nn()

    self._loss_function = tf.reduce_sum(tf.squared_difference(self._nn, self.Y), 1)

    optimizer = tf.train.AdamOptimizer()
    self._train_op = optimizer.minimize(self._loss_function)

我尝试通过将tf.random_normal_initializer(0.1, 0.1)作为初始化程序来更改变量初始化，但是它不会导致损失函数的任何更改。

我很感激能帮助这个神经网络与ReLu一起工作。

编辑：Leaky ReLu有同样的问题

编辑：我设法复制相同错误的小例子：

x = tf.constant([[3., 211., 123., 78.]])
v = tf.Variable([0.5, 0.5, 0.5, 0.5])
h_d = tf.layers.Dense(4, activation=tf.nn.leaky_relu)
h = h_d(x)
y_d = tf.layers.Dense(4, activation=tf.nn.softmax)
y = y_d(h)
d = tf.constant([[.5, .5, 0, 0]])

h_d和y_d内核和偏差的梯度（用tf.gradients计算）等于或接近0

Answer 1

在一个非常不可能的情况下，某些层中的所有激活对所有样本都是负的。它们被ReLU设置为零，并且没有学习进度，因为ReLU的负部分的梯度为零。

使这更可能的事情是一个小数据集，输入功能的奇怪缩放，不适当的权重初始化和/或中间层中的少数通道。

此处您使用random_normal_initializer与mean=0.1，因此您的输入可能都是负数，因此会映射到负值。尝试mean=0，或重新调整输入要素。

您也可以尝试Leaky ReLU。也许学习率太小或太大。

Answer 2

看起来问题在于输入数据的规模。当值在0到255之间时，在下一层中或多或少地保持比例，给予最后一层的预激活输出具有足够大的差异以将softmax梯度减小到（几乎）0。它只能通过类似relu的激活函数来观察，因为其他的，比如sigmoid或softsign，保持网络中的值范围更小，数量级为1或几十或几百。

这里的解决方案是将输入乘以将其重新调整为0-1，如果是1/255的字节。

Tensorflow ReLu不起作用？

2 个答案: