keras模型中的nan损失值

时间:2019-05-20 09:44:04

标签: python tensorflow keras

我有以下数据形状

X_Train.shape,Y_Train.shape
Out[52]: ((983, 19900), (983,))
X_Test.shape,Y_Test.shape
Out[53]: ((52, 19900), (52,))

我正在运行一个简单的二进制分类器,因为Y_train和Y_test可以是1或2

import  keras
import  tensorflow as tf
from keras import  layers
from keras.layers import Input, Dense
from keras.models import Model,Sequential
import numpy as np
from  keras.optimizers import  Adam

myModel = keras.Sequential([
    keras.layers.Dense(1000,activation=tf.nn.relu,input_shape=(19900,)),
    keras.layers.Dense(64, activation=tf.nn.relu),
    keras.layers.Dense(32, activation=tf.nn.relu),
    keras.layers.Dense(1, activation=tf.nn.softmax)
])

myModel.compile(optimizer='adam', loss='sparse_categorical_crossentropy',metrics=['accuracy'])
myModel.fit(X_Train, Y_Train, epochs=100,batch_size=1000)
test_loss,test_acc=myModel.evaluate(X_Test,Y_Test)

代码输出

培训损失和准确性

Epoch 1/100
983/983 [==============================] - 1s 1ms/step - loss: nan - acc: 0.4608
Epoch 2/100
983/983 [==============================] - 0s 206us/step - loss: nan - acc: 0.4873
Epoch 3/100
983/983 [==============================] - 0s 200us/step - loss: nan - acc: 0.4883
Epoch 4/100
983/983 [==============================] - 0s 197us/step - loss: nan - acc: 0.4883
Epoch 5/100
983/983 [==============================] - 0s 194us/step - loss: nan - acc: 0.4873
Epoch 6/100
983/983 [==============================] - 0s 202us/step - loss: nan - acc: 0.4863
Epoch 7/100
983/983 [==============================] - 0s 198us/step - loss: nan - acc: 0.4863
Epoch 8/100
983/983 [==============================] - 0s 194us/step - loss: nan - acc: 0.4883
Epoch 9/100
983/983 [==============================] - 0s 196us/step - loss: nan - acc: 0.4873
Epoch 10/100
983/983 [==============================] - 0s 198us/step - loss: nan - acc: 0.4873
Epoch 11/100
983/983 [==============================] - 0s 200us/step - loss: nan - acc: 0.4893
Epoch 12/100
983/983 [==============================] - 0s 198us/step - loss: nan - acc: 0.4873
Epoch 13/100
983/983 [==============================] - 0s 194us/step - loss: nan - acc: 0.4873
Epoch 14/100
983/983 [==============================] - 0s 197us/step - loss: nan - acc: 0.4883
Epoch 97/100
    983/983 [==============================] - 0s 196us/step - loss: nan - acc: 0.4893
Epoch 98/100
    983/983 [==============================] - 0s 199us/step - loss: nan - acc: 0.4883
Epoch 99/100
    983/983 [==============================] - 0s 193us/step - loss: nan - acc: 0.4883
Epoch 100/100
    983/983 [==============================] - 0s 196us/step - loss: nan - acc: 0.4863

测试损失和准确性

test_loss,test_acc
Out[58]: (nan, 0.4615384661234342)

我还检查了我的数据中是否有nan值

np.isnan(X_Train).any()
Out[5]: False
np.isnan(Y_Train).any()
Out[6]: False
np.isnan(X_Test).any()
Out[7]: False
np.isnan(Y_Test).any()
Out[8]: False

我的问题是,为什么我的训练精度没有提高,为什么损失还很小?为什么不进行单热编码,输出中的softmax也可以正常工作?

注意1:,我很抱歉我的数据很大,所以我不能在这里共享它,但是如果有某种方法可以在这里共享,那么我就准备好了。

注意2 我的训练数据中有很多零值

3 个答案:

答案 0 :(得分:2)

有时与Keras结合使用,ReluSoftmax会引起数值麻烦,因为Relu可以产生与非常小的概率相对应的大正值。

尝试使用tanh代替Relu

答案 1 :(得分:1)

如果丢失的NaN值表示输入在函数域之外。发生这种情况的原因有多种。这是找出原因的几个步骤,

1)如果输入在功能域之外,则确定这些输入是什么。跟踪输入值到成本函数的进度。

2)检查输入数据集中是否有任何null或nan值。可以通过

完成
DataFrame.isnull().any() 

3)更改输入数据的比例。将数据标准化为0和1之间的值即可开始训练。

4)权重初始化的更改方法。

使用深度神经网络很难指出确切的解决方案。因此,尝试上述方法,它应该使您对发生的问题有一个清晰的认识。

答案 2 :(得分:1)

在这里,Softmax激活不是正确的选择。您在输出层上只有一个神经元。

让我们考虑一下softmax函数的定义。(图片来自wikepedia.org)

img
由于最后一层只有一个神经元,因此sigma(z_i)的所有值的z_i将为1。

由于使用的是sparse_categorical_crossentropy,所以keras(或tensorflow)可以从logit的形状推断类的数量。 In keras(or tensorflow) the shape of logits is assumed to be [BATCH_SIZE, NUM_CLASSES]。您的logit的形状为[None,1],因此keras假设您的班级数量为1,但是您正在喂食多个班级(0或1),这会导致错误。

这里的正确激活函数是Sigmoid(tanh也可以通过将数据集目标更改为-1或1来工作)。损失应为binary_crossentropy

myModel = keras.Sequential([
    keras.layers.Dense(1000,activation=tf.nn.relu,input_shape=(19900,)),
    keras.layers.Dense(64, activation=tf.nn.relu),
    keras.layers.Dense(32, activation=tf.nn.relu),
    keras.layers.Dense(1, activation="sigmoid")
])

myModel.compile(optimizer='adam', loss='binary_crossentropy',metrics=['accuracy'])