machine-learning - 为什么训练损失在每个 epoch 开始时都会增加？

Question

我正在训练线性回归模型。我使用 tf.contrib.data 准备数据集，对其进行洗牌并批量提供:

  dataset = tf.contrib.data.TFRecordDataset(filename)
  dataset = dataset.map(
      _parse_function, num_threads=16, output_buffer_size=100 * batch_size)
  dataset = dataset.repeat(5)
  dataset = dataset.shuffle(buffer_size=100000)
  dataset = dataset.padded_batch(batch_size, padded_shapes=([None], [None]))
  iterator = dataset.make_initializable_iterator()
  x_inputs, y_ = iterator.get_next()

以下是我们的训练损失:

非常奇怪的是，在每个 epoch(迭代=100k)开始时，我们的训练损失都有一个脉冲。如果训练过程继续进行，我们会在接下来的 epoch 开始时看到相同的模式。

Answer 1

假设您的数据集的记录少于 100000 条，问题可能是输入随机性不足。直观地说，如果现有数据没有被打乱并且按顺序具有某种结构，则训练过程可能会过度拟合文件末尾的记录，并且当您从头开始时，模型将不会在记录上表现良好靠近文件开头，损失会增加。

正确的解决方案取决于数据集的精确详细信息，但以下某些方法可能有用:

1. 如果可能，请将传递给 Dataset.shuffle() 的 buffer_size 增加到与数据集一样大。 (如果内存无法容纳整个数据集，这可能是不可能的。)

2. 在训练前随机化输入文件的顺序，确保数据在记录排序中不具有任何结构。

3. 除了随机化文件内的顺序之外，您还可以将数据分区到多个不同的文件中，并使用以下方法随机化您访问这些文件的顺序:

   dataset = tf.data.Dataset.list_files(shard_filenames)
   dataset = dataset.shuffle(len(shard_filenames))
   dataset = dataset.flat_map(lambda filename: tf.data.TFRecordDataset(filename))
   # ...
   

4. 作为 (3) 的扩展，您可以使用 Dataset.interleave() 代替 Dataset.flat_map() 一次读取多个分片.