Tensorboard 权重直方图仅最后一层可见变化答案

【问题标题】：Tensorboard weights histogram only last layer visible changeTensorboard 权重直方图仅最后一层可见变化
【发布时间】：2017-12-16 23:22:58
【问题描述】：

我向我的网络添加了一个 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。

直方图 相同但覆盖视图

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，这在图像中几乎不会发生。然而，损失已经完成，我已经对网络进行了 10000 个 epoch 的训练，所以我预计总体上会有更多的变化。尤其是我不明白的权重没有变化。

【问题讨论】：

我的神经网络也有类似的问题，我发现大部分损失都被偏差消耗了。你有没有偶然得出任何结论？

标签： python tensorflow neural-network tensorboard

【解决方案1】：

我的神经网络中的权重直方图也遇到过类似问题。尽管 Relu 确实处理了隐藏层的梯度消失问题，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 sn-p 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]))

然后通过调用梯度上的 tf.summary.histogram 在 tensorboard 中检查你的梯度。

【讨论】：