我在我的网络中添加了一个 TensorBoard 可视化,并注意到只有异常值发生了很大变化。为什么网络的权重变化不大?这在叠加直方图中尤为明显。
我的模型
def neural_network_model(inputdata):
"""The blueprint of the network and the tensorboard information
:param inputdata: the placeholder for the inputdata
:returns: the output of the network?
"""
W1 = tf.get_variable("W1", shape=[set.input, nodes_h1],
initializer=tf.contrib.layers.xavier_initializer())
B1 = tf.get_variable("B1", shape=[nodes_h1],
initializer=tf.random_normal_initializer())
layer1 = tf.matmul(inputdata, W1)
layer1_bias = tf.add(layer1, B1)
layer1_act = tf.nn.relu(layer1)
W2 = tf.get_variable("W2", shape=[nodes_h1, nodes_h2],
initializer=tf.contrib.layers.xavier_initializer())
B2 = tf.get_variable("B2", shape=[nodes_h2],
initializer=tf.random_normal_initializer())
layer2 = tf.matmul(layer1_act, W2)
layer2_bias = tf.add(layer2, B2)
layer2_act = tf.nn.relu(layer2)
W3 = tf.get_variable("W3", shape=[nodes_h2, nodes_h3],
initializer=tf.contrib.layers.xavier_initializer())
B3 = tf.get_variable("B3", shape=[nodes_h3],
initializer=tf.random_normal_initializer())
layer3 = tf.matmul(layer2_act, W3)
layer3_bias = tf.add(layer3, B3)
layer3_act = tf.nn.relu(layer3)
WO = tf.get_variable("WO", shape=[nodes_h3, set.output],
initializer=tf.contrib.layers.xavier_initializer())
layerO = tf.matmul(layer3_act, WO)
with tf.name_scope('Layer1'):
tf.summary.histogram("weights", W1)
tf.summary.histogram("layer", layer1)
tf.summary.histogram("bias", layer1_bias)
tf.summary.histogram("activations", layer1_act)
with tf.name_scope('Layer2'):
tf.summary.histogram("weights", W2)
tf.summary.histogram("layer", layer2)
tf.summary.histogram("bias", layer2_bias)
tf.summary.histogram("activations", layer2_act)
with tf.name_scope('Layer3'):
tf.summary.histogram("weights", W3)
tf.summary.histogram("layer", layer3)
tf.summary.histogram("bias", layer3_bias)
tf.summary.histogram("activations", layer3_act)
with tf.name_scope('Output'):
tf.summary.histogram("weights", WO)
tf.summary.histogram("layer", layerO)
return layerO
我对训练过程的理解是应该调整权重,这在图像中几乎没有发生。然而,损失已经完成,我已经对网络进行了 10000 次训练,所以我预计总体上会有更多变化。尤其是我不明白的权重缺乏变化。
最佳答案
我的神经网络中的权重直方图也遇到过类似的问题。尽管 Relu 确实处理了隐藏层的消失梯度问题,但您应该检查您的学习率并确保每个变量的更新不会太小。这很可能会导致接近于零的更新,从而导致随着时间的推移发生微不足道的变化。您可以使用以下代码段简单地检查每一层的渐变:
def replace_none_with_zero(tensor):
return[0 if i==None else i for i in tensor]
with tf.name_scope('Gradients'):
gradient_for_variable_of_interest=replace_none_with_zero(
tf.gradients(loss,[variable_of_interest]))
然后通过在梯度上调用 tf.summary.histogram 来检查 tensorboard 中的梯度。
关于python - Tensorboard 权重直方图仅最后一层可见变化,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45059249/