[英]Why does my GradientDescentOptimizer produce NaN?
我目前正在重做Coursera的Andrew Ng教授的“機器學習”課程作業,而我陷入了Logistic回歸部分。
filename = 'data/ex2data1.txt'
data = np.loadtxt(filename, delimiter = ",", unpack = True)
# Data matrices
xtr = np.transpose(np.array(data[:-1]))
ytr = np.transpose(np.array(data[-1:]))
# Initial weights
W = tf.Variable(tf.zeros([2,1], dtype = tf.float64))
# Bias
b = tf.Variable(tf.zeros([1], dtype = tf.float64))
# Cost function
y_ = tf.nn.sigmoid(tf.matmul(xtr,W) + b)
cost = -tf.reduce_mean(ytr*tf.log(y_) + (1-ytr)*tf.log(1-y_))
optimize = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
corr = tf.equal(tf.argmax(ytr,1), tf.argmax(y_,1))
acc = tf.reduce_mean(tf.cast(corr, tf.float64))
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print(sess.run(cost))
for _ in range(3):
sess.run(optimize)
print(sess.run(cost))
這產生了答案:
0.69314718056
nan
nan
nan
cost函數的第一個結果是正確的,但接下來的結果應該是:
3.0133
1.5207
0.7336
相反,我得到了一堆NaN。 我曾嘗試過降低學習率,但無濟於事。 我究竟做錯了什么? 是否可以在TensorFlow中重現此分配?
PS:其他python解決方案似乎正在使用scipy.optimize,但我不知道如何將其與TensorFlow值一起使用,並且如果可能的話,我只想使用TensorFlow。
編輯:我也嘗試過將偏差作為tf.ones而不是tf.zeros,但它也沒有用。
您的對數沒有清除輸入。 負輸入值很可能會迅速使任何浮點數運算不正確。
我在Java代碼中做了很多工作,這些代碼大量使用了類似域中的日志:
在Java中,代碼看起來像這樣,不難翻譯成tf:
public static double guardedLogarithm(double input) {
if (Double.isNaN(input) || Double.isInfinite(input)) {
return 0d;
} else if (input <= 0d || input <= -0d) {
// assume a quite low value of log(1e-5) ~= -11.51
return -10d;
} else {
return FastMath.log(input);
}
}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.