在Python错误中将卷积神经网络与千层面结合使用

Question

我使用了Daniel Nouri在他的同名网站上提供的框架。 这是我使用的代码，看起来不错，我所做的唯一更改是将output_nonlinearity = lasagne.nonlinearities.softmax更改为False，否则看起来很简单

from lasagne import layers
import theano
from lasagne.updates import sgd,nesterov_momentum
from nolearn.lasagne import NeuralNet
from sklearn.metrics import classification_report
import lasagne
import cv2
import numpy as np
from sklearn.cross_validation import train_test_split
from sklearn.datasets import fetch_mldata
import sys

mnist = fetch_mldata('MNIST original')
X = np.asarray(mnist.data, dtype='float32')
y = np.asarray(mnist.target, dtype='int32')

(trainX, testX, trainY, testY) = train_test_split(X,y,test_size =0.3,random_state=42)
trainX = trainX.reshape(-1, 1, 28, 28)
testX = testX.reshape(-1, 1, 28, 28)

clf = NeuralNet(
    layers=[
    ('input', layers.InputLayer),
    ('conv1', layers.Conv2DLayer),
    ('pool1', layers.MaxPool2DLayer),
    ('dropout1', layers.DropoutLayer),  # !
    ('conv2', layers.Conv2DLayer),
    ('pool2', layers.MaxPool2DLayer),
    ('dropout2', layers.DropoutLayer),  # !
    ('hidden4', layers.DenseLayer),
    ('dropout4', layers.DropoutLayer),  # !
    ('hidden5', layers.DenseLayer),
    ('output', layers.DenseLayer),
    ],
 input_shape=(None,1, 28, 28),
 conv1_num_filters=20, conv1_filter_size=(3, 3), pool1_pool_size=(2, 2),
 dropout1_p=0.1,  # !
 conv2_num_filters=50, conv2_filter_size=(3, 3), pool2_pool_size=(2, 2),
 dropout2_p=0.2,  # !
 hidden4_num_units=500,
 dropout4_p=0.5,  # !
 hidden5_num_units=500,

 output_num_units=10,

 output_nonlinearity=lasagne.nonlinearities.softmax,

 update=nesterov_momentum,

 update_learning_rate=theano.shared(float32(0.03)),
 update_momentum=theano.shared(float32(0.9)),

 regression=False,
 max_epochs=3000,
 verbose=1,
 )

clf.fit(trainX,trainY)

但是在运行它我得到这个NaN

input               (None, 1, 28, 28)       produces     784 outputs
conv1               (None, 20, 26, 26)      produces   13520 outputs
pool1               (None, 20, 13, 13)      produces    3380 outputs
dropout1            (None, 20, 13, 13)      produces    3380 outputs
conv2               (None, 50, 11, 11)      produces    6050 outputs
pool2               (None, 50, 6, 6)        produces    1800 outputs
dropout2            (None, 50, 6, 6)        produces    1800 outputs
hidden4             (None, 500)             produces     500 outputs
dropout4            (None, 500)             produces     500 outputs
hidden5             (None, 500)             produces     500 outputs
output              (None, 10)              produces      10 outputs
epoch    train loss    valid loss    train/val    valid acc  dur
-------  ------------  ------------  -----------  -----------  ------
  1           nan           nan          nan      0.09923  16.18s
  2           nan           nan          nan      0.09923  16.45s

提前致谢。

Answer 1

我玩游戏已经很晚了，但是希望有人觉得这个答案有用！

以我的经验，这里可能有很多错误。 我将在nolearn / lasagne中写出调试此类问题的步骤：

1. 使用Theano的fast_compile优化器可能会导致下溢问题，从而导致nan输出（在我的情况下，这是最终的问题）

2. 当输出以nan值开头时，或者如果nan值在训练开始后不久开始出现，则学习率可能会太高。 如果为0.01 ，请尝试使其为0.001 。

3. 输入或输出值可能彼此之间太接近，您可能需要尝试缩放它们。 一种标准方法是通过减去平均值并除以标准偏差来缩放输入。

4. 使用nolearn解决回归问题时，请确保使用regression=True

5. 尝试使用线性输出而不是softmax。 其他非线性有时也有帮助，但以我的经验来说并不经常。

6. 如果所有操作均失败，请尝试找出问题出在您的网络还是数据上。 如果您输入预期范围内的随机值并仍然获得nan输出，则可能不是特定于您正在训练的数据集。

希望有帮助！