使用 keras 的句子相似度答案

【问题标题】：Sentence similarity using keras使用 keras 的句子相似度
【发布时间】：2017-01-10 08:56:03
【问题描述】：

我正在尝试基于此work using the STS dataset 实现句子相似性架构。标签是从 0 到 1 的归一化相似度分数，因此被假定为回归模型。

我的问题是，从第一个纪元开始，损失直接转到NaN。我做错了什么？

我已经尝试更新到最新的 keras 和 theano 版本。

我的模型的代码是：

def create_lstm_nn(input_dim):
    seq = Sequential()`
    # embedd using pretrained 300d embedding
    seq.add(Embedding(vocab_size, emb_dim, mask_zero=True, weights=[embedding_weights]))
    # encode via LSTM
    seq.add(LSTM(128))
    seq.add(Dropout(0.3))
    return seq

lstm_nn = create_lstm_nn(input_dim)

input_a = Input(shape=(input_dim,))
input_b = Input(shape=(input_dim,))

processed_a = lstm_nn(input_a)
processed_b = lstm_nn(input_b)

cos_distance = merge([processed_a, processed_b], mode='cos', dot_axes=1)
cos_distance = Reshape((1,))(cos_distance)
distance = Lambda(lambda x: 1-x)(cos_distance)

model = Model(input=[input_a, input_b], output=distance)

# train
rms = RMSprop()
model.compile(loss='mse', optimizer=rms)
model.fit([X1, X2], y, validation_split=0.3, batch_size=128, nb_epoch=20)

我也尝试使用简单的Lambda 代替Merge 层，但结果相同。

def cosine_distance(vests):
    x, y = vests
    x = K.l2_normalize(x, axis=-1)
    y = K.l2_normalize(y, axis=-1)
    return -K.mean(x * y, axis=-1, keepdims=True)

def cos_dist_output_shape(shapes):
    shape1, shape2 = shapes
    return (shape1[0],1)

distance = Lambda(cosine_distance, output_shape=cos_dist_output_shape)([processed_a, processed_b])

【问题讨论】：

嗨，我知道你是 StackOverflow 的新手。为了帮助我们确定问题并更快地获得您需要的答案，您是否可以提供任何其他信息？你看到了什么错误，如果有的话？你期待的是什么？
好吧，现在我想弄清楚为什么我的网络在训练时会变成 nan 损失。
可能你的学习率太高了。也许还有另一个问题。如果您使用的是 Theano，则可以在启动脚本时使用 THEANO_FLAGS='mode=NanGuardMode'，让它在检测到 nan 值时抛出异常，从而为您提供问题所在位置的回溯。

标签： python keras sentence-similarity

【解决方案1】：

nan 是深度学习回归中的常见问题。由于您使用的是连体网络，您可以尝试以下方法：

检查您的数据：它们是否需要标准化？
尝试在网络中添加一个密集层作为最后一层，但要小心选择激活函数，例如回复
尝试使用其他损失函数，例如contrastive_loss
降低你的学习率，例如0.0001
cos 模式没有仔细处理除以零，可能是 NaN 的原因

让深度学习完美地工作并不容易。

【讨论】：

【解决方案2】：

我没有遇到nan 问题，但我的损失不会改变。我找到了这个信息 check this out

def cosine_distance(shapes):
    y_true, y_pred = shapes
    def l2_normalize(x, axis):
        norm = K.sqrt(K.sum(K.square(x), axis=axis, keepdims=True))
        return K.sign(x) * K.maximum(K.abs(x), K.epsilon()) /     K.maximum(norm, K.epsilon())
    y_true = l2_normalize(y_true, axis=-1)
    y_pred = l2_normalize(y_pred, axis=-1)
    return K.mean(1 - K.sum((y_true * y_pred), axis=-1))

【讨论】：