12

我正在尝试使用 STS dataset实现基于这项工作的句子相似性架构。标签是从 0 到 1 的归一化相似度分数，因此假定它是一个回归模型。

我的问题是损失直接NaN从第一个时代开始。我究竟做错了什么？

我已经尝试更新到最新的 keras 和 theano 版本。

我的模型的代码是：

def create_lstm_nn(input_dim):
    seq = Sequential()`
    # embedd using pretrained 300d embedding
    seq.add(Embedding(vocab_size, emb_dim, mask_zero=True, weights=[embedding_weights]))
    # encode via LSTM
    seq.add(LSTM(128))
    seq.add(Dropout(0.3))
    return seq

lstm_nn = create_lstm_nn(input_dim)

input_a = Input(shape=(input_dim,))
input_b = Input(shape=(input_dim,))

processed_a = lstm_nn(input_a)
processed_b = lstm_nn(input_b)

cos_distance = merge([processed_a, processed_b], mode='cos', dot_axes=1)
cos_distance = Reshape((1,))(cos_distance)
distance = Lambda(lambda x: 1-x)(cos_distance)

model = Model(input=[input_a, input_b], output=distance)

# train
rms = RMSprop()
model.compile(loss='mse', optimizer=rms)
model.fit([X1, X2], y, validation_split=0.3, batch_size=128, nb_epoch=20)

我也尝试使用简单Lambda而不是Merge图层，但结果相同。

def cosine_distance(vests):
    x, y = vests
    x = K.l2_normalize(x, axis=-1)
    y = K.l2_normalize(y, axis=-1)
    return -K.mean(x * y, axis=-1, keepdims=True)

def cos_dist_output_shape(shapes):
    shape1, shape2 = shapes
    return (shape1[0],1)

distance = Lambda(cosine_distance, output_shape=cos_dist_output_shape)([processed_a, processed_b])
4

2 回答 2

3

nan 是深度学习回归中的一个常见问题。因为您使用的是连体网络，您可以尝试以下操作：

  1. 检查您的数据：它们需要标准化吗？
  2. 尝试将 Dense 层作为最后一层添加到您的网络中，但要小心选择激活函数，例如 relu
  3. 尝试使用另一个损失函数，例如 contrastive_loss
  4. 降低你的学习率，例如 0.0001
  5. cos模式没有仔细处理除以零，可能是NaN的原因

让深度学习完美地工作并不容易。

于 2016-12-05T14:10:11.117 回答
0

我没有遇到这个nan问题，但我的损失不会改变。我找到了这个信息 看看这个

def cosine_distance(shapes):
    y_true, y_pred = shapes
    def l2_normalize(x, axis):
        norm = K.sqrt(K.sum(K.square(x), axis=axis, keepdims=True))
        return K.sign(x) * K.maximum(K.abs(x), K.epsilon()) /     K.maximum(norm, K.epsilon())
    y_true = l2_normalize(y_true, axis=-1)
    y_pred = l2_normalize(y_pred, axis=-1)
    return K.mean(1 - K.sum((y_true * y_pred), axis=-1))
于 2017-06-04T22:20:34.760 回答