Question

我正在建立一个混合密度网络，试图预测一个变量在两个协变量上的分布。其中一个协变量具有每小时数据，而另一个协变量白天则不变化（即每日数据）。先前的工作表明2个分布应该可以产生良好的效果，所以我也使用2个分布。

对于损失函数，我使用定制的负对数似然法进行正态分布，并应用了log-sum-exp技术。

我正在使用两个具有relu激活功能的隐藏层和60个神经元，一批60个和e-4学习率。

但是，结果显示，其中一个分布的概率始终为1，而另一个分布的概率为0。是否增加时期数没有关系。请注意，概率为1.0的分布的结果是完全合理的，但是鉴于有关该主题的先前工作，我很难相信在6万多个小时内，没有一个具有两种不同分布的混合。

任何有关如何纠正概率或可能是0-1概率的原因的建议都将受到高度赞赏。

from tensorflow.keras import backend as bk

# reading inputs, etc.

components = 2 # Number of normal distributions in mixture
no_parameters = 3 # Number of parameters of the mixtures (weight, mean, std. dev)
neurons = 60 # Number of neurons per layer
SB = 1 # Number of outputs we want to predict

# Make the input tensor: two covariates-- quantity & price.
inputs = ks.Input(shape=(X_train.shape[1],))

h1 = ks.layers.Dense(neurons, activation="relu",
                     kernel_initializer='ones', bias_initializer='ones')(inputs)
h2 = ks.layers.Dense(neurons, activation="relu",
                     kernel_initializer='ones', bias_initializer='ones')(h1)
alphas = ks.layers.Dense(components, activation="softmax", name="alphas",
                         kernel_initializer='ones', bias_initializer='ones')(h2)
mus = ks.layers.Dense(components, name="mus")(h2)
sigmas = ks.layers.Dense(components, activation="relu", name="sigmas",
                         kernel_initializer='ones', bias_initializer='ones')(h2)
outputVector = ks.layers.Concatenate(name="output")([alphas, mus, sigmas])

model = ks.Model(inputs=inputs, outputs=outputVector)

def slice_parameter_vectors(parameter_vector):
    """ Returns an unpacked list of parameter vectors. """
    return [parameter_vector[:, i * components:(i + 1) * components] for i in range(no_parameters)]

def log_sum_exp(x, axis=None):
    """Log-sum-exp trick implementation"""
    x_max = bk.max(x, axis=axis, keepdims=True)
    return bk.log(bk.sum(bk.exp(x - x_max),
                         axis=axis, keepdims=True)) + x_max

def mean_log_Gaussian_like2(y, parameter_vector):
    """ Computes the mean negative log-likelihood loss of the observed price given the mixture parameters. """
    alpha, mu, sigma = slice_parameter_vectors(parameter_vector)  # Unpack parameter vectors
    mu = tf.keras.backend.reshape(mu, [-1, SB, 2])
    alpha = bk.softmax(bk.clip(alpha, 1e-8, 1.))
    exponent = bk.log(alpha) - .5 * float(SB) * bk.log(2 * np.pi) \
               - float(SB) * bk.log(sigma) \
               - bk.sum((bk.expand_dims(y, 2) - mu) ** 2, axis=1) / (2 * (sigma) ** 2)
    log_likelihood = log_sum_exp(exponent, axis=1)
    return -bk.mean(log_likelihood)

model.compile(optimizer=ks.optimizers.Adam(learning_rate=1e-4, clipvalue=1.0), # , clipvalue=0.5
              loss= mean_log_Gaussian_like2,
              metrics=['accuracy'])

model.fit(X_train, y_train, batch_size=60, epochs=500)

y_pred = model.predict(X_test)

Answer 1

我解决了这个问题。解决方案是通过重新定义alpha来摆脱softmax函数。那就是alpha = bk.softmax（bk.clip（alpha，1e-8，1.））应该是alpha = bk.clip（alpha，1e-8，1.）。谢谢大家。

混合密度网络（MDN）的返回概率仅为1.0和0.0

1 个答案: