2

我知道已经有很多人问过类似的问题，如果它适用于我的情况，我尝试了那里提到的所有内容，但没有任何帮助。回归训练模型如下：

from keras.models import Sequential
from keras.layers.core import Dense , Dropout
from keras import backend as K

model = Sequential()
model.add(Dense(units = 128, kernel_initializer = "uniform", activation = "relu", input_dim = 28))
model.add(Dropout(rate = 0.2))
model.add(Dense(units = 128, kernel_initializer = "uniform", activation = "relu"))
model.add(Dropout(rate = 0.2))
model.add(Dense(units = 1, kernel_initializer = "uniform", activation = "relu"))
model.compile(optimizer = "rmsprop", loss = root_mean_squared_logarithmic_error)

model.fit(train_set, labels, batch_size = 32, epochs = 30)

并且使用下面定义的损失函数，这导致：

Epoch 12/30
27423/27423 [==============================] - 2s - loss: 0.4143     
Epoch 13/30
27423/27423 [==============================] - 1s - loss: 0.4070     
Epoch 14/30
27423/27423 [==============================] - 1s - loss: nan

如果我使用标准mean_squared_error损失函数loss = nan，则不会发生。如果使用以下两个自定义loss functions中的任何一个（当然，这些是我想要运行的）loss = nan在某个时候发生。

def root_mean_squared_error(y_true, y_pred):
        return K.sqrt(K.mean(K.square(y_pred - y_true), axis=-1))

def root_mean_squared_logarithmic_error(y_true, y_pred):
    y_pred_log = K.log(K.clip(y_pred, K.epsilon(), None) + 1.)
    y_true_log = K.log(K.clip(y_true, K.epsilon(), None) + 1.)
    return K.sqrt(K.mean(K.square(y_pred_log - y_true_log), axis = -1))

root_mean_squared_logarithmic_error使用损失函数进行10 折交叉验证loss = nan通常发生在中间，仅在最后一个 epoch 出现某些折（总共发生 5 折）。在一个折中，损失收敛到15.6132并在所有剩余的时期保持在那里。4折完成而没有loss = nan发生。

输入数据已针对nans异常值进行校正。我尝试了几种不同的重新缩放方法，都对此事没有影响

from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import Normalizer

我还改变了输入数据（使用数据子集进行测试），在这种情况下loss = nan，每个子集（甚至每两列组合）都会发生这种情况。我还改变了neurons, the dropout, the optimizer(to 'adam') 和batch_size.

感谢您的想法，感谢您的每一个帮助！

4

2 回答 2

3

添加abs()到损失函数帮助我解决了这个问题。

def root_mean_squared_error(y_true, y_pred):
        return np.abs(K.sqrt(K.mean(K.square(y_pred - y_true), axis=-1)))
于 2017-06-20T21:51:43.280 回答
0

使用 Evgeniy 的相同代码，将 np.abs 更改为 K.abs：

def root_mean_squared_error(y_true, y_pred):
    return K.abs(K.sqrt(K.mean(K.square(y_pred - y_true), axis=-1)))
于 2022-01-27T00:12:27.460 回答