[英]MLP in tensorflow for regression… not converging
您好,这是我第一次使用tensorflow,我尝试在此处调整示例TensorFlow-Examples使用此代码来解决波士顿数据库的回归问题。 基本上,我只更改成本函数,数据库,输入数和目标数,但是当我运行MPL时不会收敛(我使用非常低的费率)。 我用Adam Optimization测试它并降低梯度优化,但我有相同的行为。 我感谢你的建议和想法...... !!!
观察:当我在没有上述修改的情况下运行该程序时,成本函数值总是减小。
这是我运行模型时的演变,成本函数即使在非常低的学习率下也会振荡。在最坏的情况下,我希望模型收敛于某个值,例如,纪元944显示的值为0.2267548,如果没有其他更好的值则是然后找到该值必须保持到优化完成。
时代:0942成本= 0.445707272
时代:0943成本= 0.389314095
时代:0944成本= 0.226754842
时代:0945成本= 0.404150135
时代:0946成本= 0.382190095
时代:0947成本= 0.897880572
时代:0948成本= 0.481954243
时代:0949成本= 0.269408980
时代:0950成本= 0.427961614
时代:0951成本= 1.206053280
Epoch:0952 cost = 0.834200084
from __future__ import print_function
# Import MNIST data
#from tensorflow.examples.tutorials.mnist import input_data
#mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
import tensorflow as tf
import ToolInputData as input_data
ALL_DATA_FILE_NAME = "boston_normalized.csv"
##Load complete database, then this database is splitted in training, validation and test set
completedDatabase = input_data.Databases(databaseFileName=ALL_DATA_FILE_NAME, targetLabel="MEDV", trainPercentage=0.70, valPercentage=0.20, testPercentage=0.10,
randomState=42, inputdataShuffle=True, batchDataShuffle=True)
# Parameters
learning_rate = 0.0001
training_epochs = 1000
batch_size = 5
display_step = 1
# Network Parameters
n_hidden_1 = 10 # 1st layer number of neurons
n_hidden_2 = 10 # 2nd layer number of neurons
n_input = 13 # number of features of my database
n_classes = 1 # one target value (float)
# tf Graph input
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])
# Create model
def multilayer_perceptron(x, weights, biases):
# Hidden layer with RELU activation
layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
layer_1 = tf.nn.relu(layer_1)
# Hidden layer with RELU activation
layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
layer_2 = tf.nn.relu(layer_2)
# Output layer with linear activation
out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
return out_layer
# Store layers weight & bias
weights = {
'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
'b1': tf.Variable(tf.random_normal([n_hidden_1])),
'b2': tf.Variable(tf.random_normal([n_hidden_2])),
'out': tf.Variable(tf.random_normal([n_classes]))
}
# Construct model
pred = multilayer_perceptron(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_mean(tf.square(pred-y))
#cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
# Initializing the variables
init = tf.initialize_all_variables()
# Launch the graph
with tf.Session() as sess:
sess.run(init)
# Training cycle
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(completedDatabase.train.num_examples/batch_size)
# Loop over all batches
for i in range(total_batch):
batch_x, batch_y = completedDatabase.train.next_batch(batch_size)
# Run optimization op (backprop) and cost op (to get loss value)
_, c = sess.run([optimizer, cost], feed_dict={x: batch_x,
y: batch_y})
# Compute average loss
avg_cost += c / total_batch
# Display logs per epoch step
if epoch % display_step == 0:
print("Epoch:", '%04d' % (epoch+1), "cost=", \
"{:.9f}".format(avg_cost))
print("Optimization Finished!")
几点。
你的模型很浅,只有两层。 当然,您需要更多数据来训练更大的模型,因此我不知道您在波士顿数据集中有多少数据。
你的标签是什么? 这样可以更好地告知您的模型的平方误差是否更好。
你的学习率也很低。
您声明您的标签在[0,1]范围内,但我看不出预测在同一范围内。 为了使它们与标签相当,您应该在返回之前将它们转换为相同的范围,例如使用sigmoid函数:
out_layer = tf.matmul(...)
out = tf.sigmoid(out_layer)
return out
也许这解决了稳定性的问题。 您可能还想稍微增加批量大小,例如每批20个示例。 如果这样可以提高性能,您可以稍微提高学习速度。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.