Question

我正在与Keras配合使用多层感知器，以预测句子中正确的单词顺序。我之所以使用train_on_batch()，是因为我将树中的每个句子都转换了，然后对每个局部子树进行了排序：当每个子树被排序时，整个树甚至都被排序了。

在训练期间，我注意到一个奇怪的事情：由于从第一个时期开始，损失值为0.0。我的数据集形状为(453732, 300)（最初的特征数量为838，但是我使用PCA进行了简化），这是代码：

mlp = keras.models.Sequential()

# add input layer
mlp.add(
    keras.layers.Dense(
        units=training_dataset.shape[1],
        input_shape = (training_dataset.shape[1], ),
        kernel_initializer='glorot_uniform',
        bias_initializer='zeros',
        activation='tanh') 
)
# add hidden layer
mlp.add(
    keras.layers.Dense(
        units=training_dataset.shape[1] + 10,
        input_shape = (training_dataset.shape[1] + 10,),
        kernel_initializer='glorot_uniform',
        bias_initializer='zeros',
        activation='relu')
    )

mlp.add(
    keras.layers.Dropout(
        0.2, 
        input_shape=(training_dataset.shape[1] + 10,))
    )

# add output layer
mlp.add(
    keras.layers.Dense(
        units=1,
        input_shape = (1, ),
        kernel_initializer='glorot_uniform',
        bias_initializer='zeros',
        activation='softmax')
    )

# define SGD optimizer
sgd_optimizer = keras.optimizers.SGD(
    lr=0.01, decay=0.01, momentum=0.9, nesterov=True
)
# compile model

mlp.compile(
    optimizer=sgd_optimizer,
    loss=listnet_loss
)

mlp.summary() # print model settings

losses = np.array([])
# Training
with tf.device('/GPU:0'):
  for epoch in range(0, 10):
    print('Epoch {0} started!'.format(epoch))
    start_range = 0
    for group in groups_id_count:
      end_range = (start_range + group[1]) # Batch is a group of words with same group id
      batch_dataset = training_dataset[start_range:end_range, :]
      batch_labels = training_dataset_labels[start_range:end_range]
      batch_train_result = mlp.train_on_batch(batch_dataset, batch_labels)
      losses = np.append(losses, batch_train_result)
      start_range = end_range
    print('Epoch {0} loss: {1}'.format(epoch, np.mean(losses)))

listnet_loss如下：

def get_top_one_probability(vector):
  return (K.exp(vector) / K.sum(K.exp(vector)))

def listnet_loss(real_labels, predicted_labels):
  return -K.sum(get_top_one_probability(real_labels)) * tf.math.log(get_top_one_probability(predicted_labels))

groups_id_count是(#subtree_number,#number_of_words_in_subtree)形式的元组列表，其中#subtree_number是子树的标识符，而#number_of_words_in_subtree是子树中的单词数。然后，我的批处理是动态的：批处理由子树中的单词数组成。这就是为什么我使用train_on_batch()训练模型的原因。

有什么建议吗？预先感谢。

Keras的MLP总是亏损0.0

0 个答案: