3

任何非零都会recurrent_dropout产生 NaN 损失和权重；后者是 0 或 NaN。发生在堆叠的、浅的、stateful, return_sequences= 任何、带有 & w/o Bidirectional()、activation='relu', 的情况下loss='binary_crossentropy'。NaN 出现在几批中。

有什么修复吗？帮助表示赞赏。

已尝试故障排除：

  • recurrent_dropout=0.2,0.1,0.01,1e-6
  • kernel_constraint=maxnorm(0.5,axis=0)
  • recurrent_constraint=maxnorm(0.5,axis=0)
  • clipnorm=50 （凭经验确定），那达慕优化器
  • activation='tanh'- 无 NaN，重量稳定，最多可测试 10 个批次
  • lr=2e-6,2e-5- 无 NaN，重量稳定，最多可测试 10 个批次
  • lr=5e-5- 没有 NaN，权重稳定，3 批次 - 第 4 批次的 NaN
  • batch_shape=(32,48,16)- 2批次的大损失，第3批次的NaN

注意： ，每批batch_shape=(32,672,16)17 次调用train_on_batch

环境：

  • Keras 2.2.4（TensorFlow 后端）、Python 3.7、Spyder 3.3.7（通过 Anaconda）
  • GTX 1070 6GB，i7-7700HQ，12GB RAM，Win-10.0.17134 x64
  • CuDNN 10+，最新的 Nvidia 驱动器

附加信息：

模型发散是自发的，即使使用固定种子（Numpy、Random 和 TensorFlow 随机种子）也会发生在不同的训练更新中。此外，当第一次发散时，LSTM 层的权重都是正常的——只是稍后才变为 NaN。

以下是，按顺序：（1）输入LSTM；(2)LSTM输出；(3)Dense(1,'sigmoid')输出——三个是连续的，Dropout(0.5)在每个之间。前面的（1）是Conv1D层。右：LSTM 权重。“之前” = 1 次火车更新之前；"AFTER = 1 次列车更新后

分歧前： 图片

AT 分歧： 图片

## LSTM outputs, flattened, stats
(mean,std)        = (inf,nan)
(min,max)         = (0.00e+00,inf)
(abs_min,abs_max) = (0.00e+00,inf)

分歧后： 图片

## Recurrent Gates Weights:
array([[nan, nan, nan, ..., nan, nan, nan],
       [ 0.,  0., -0., ..., -0.,  0.,  0.],
       [ 0., -0., -0., ..., -0.,  0.,  0.],
       ...,
       [nan, nan, nan, ..., nan, nan, nan],
       [ 0.,  0., -0., ..., -0.,  0., -0.],
       [ 0.,  0., -0., ..., -0.,  0.,  0.]], dtype=float32)
## Dense Sigmoid Outputs:
array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]], dtype=float32)

最小的可重复示例：

from keras.layers import Input,Dense,LSTM,Dropout
from keras.models import Model
from keras.optimizers  import Nadam 
from keras.constraints import MaxNorm as maxnorm
import numpy as np

ipt = Input(batch_shape=(32,672,16))
x = LSTM(512, activation='relu', return_sequences=False,
              recurrent_dropout=0.3,
              kernel_constraint   =maxnorm(0.5, axis=0),
              recurrent_constraint=maxnorm(0.5, axis=0))(ipt)
out = Dense(1, activation='sigmoid')(x)

model = Model(ipt,out)
optimizer = Nadam(lr=4e-4, clipnorm=1)
model.compile(optimizer=optimizer,loss='binary_crossentropy')

for train_update,_ in enumerate(range(100)):
    x = np.random.randn(32,672,16)
    y = np.array([1]*5 + [0]*27)
    np.random.shuffle(y)
    loss = model.train_on_batch(x,y)
    print(train_update+1,loss,np.sum(y))

观察：以下加速发散：

  • 更高 units（LSTM）
  • 更高的层数（LSTM）
  • 更高 lr <<时没有发散<=1e-4，测试了多达 400 列火车
  • 更少 '1'的标签<<与下面没有分歧y，即使是lr=1e-3; 测试多达 400 辆列车

y = np.random.randint(0,2,32) # makes more '1' labels

更新：在 TF2 中未修复；from tensorflow.keras也可以使用进口来重现。

4

1 回答 1

4

深入研究 LSTM 公式并挖掘源代码，一切都变得一清二楚。

判决：recurrent_dropout与此无关；一个东西在没有人预料到的地方被循环。

真正的罪魁祸首：activation现在，这个论点'relu'被应用于循环转换- 与几乎所有将其显示为无害的教程相反'tanh'。

即，activation不仅用于隐藏到输出的转换 - 源代码；它直接计算循环状态、单元格和隐藏状态：

c = f * c_tm1 + i * self.activation(x_c + K.dot(h_tm1_c, self.recurrent_kernel_c))
h = o * self.activation(c)

解决方案：

  • 适用BatchNormalization于 LSTM 的输入，特别是如果前一层的输出是无界的（ReLU、ELU 等）
    • 如果前一层的激活是紧密绑定的（例如 tanh、sigmoid），则在激活之前应用 BN （使用activation=None，然后是 BN，然后是Activation层）
  • 使用activation='selu'；更稳定，但仍可能发散
  • 使用较低lr
  • 应用渐变剪裁
  • 使用更少的时间步长

更多答案，对一些剩余的问题：

  • 为什么被recurrent_dropout怀疑？不严谨的测试设置；直到现在我才专注于在没有它的情况下强制发散。然而，它确实有时会加速发散——这可以通过将非 relu 贡献归零来解释，否则会抵消乘法强化。
  • 为什么非零均值输入会加速分歧？加性对称；非零均值分布是不对称的，一个符号占主导地位 - 促进大的预激活，因此大的 ReLU。
  • 为什么在低 lr 的情况下训练可以稳定进行数百次迭代？极端激活通过大误差引起大梯度；对于低 lr，这意味着权重会调整以防止此类激活 - 而高 lr 跳跃太快太快。
  • 为什么堆叠的 LSTM 发散得更快？除了将 ReLU 提供给自己之外，LSTM 还提供下一个 LSTM，然后下一个 LSTM 将 ReLU 的 ReLU 提供给自己 --> 烟花。

2020 年1 月 22 日更新：recurrent_dropout实际上可能是一个促成因素，因为它利用了倒置dropout ，在训练期间升级了隐藏的转换，在许多时间步上缓解了不同的行为。Git问题在这里

于 2020-01-09T03:17:54.997 回答