keras模型中损失的nan值

Question

我有以下数据形状

X_Train.shape,Y_Train.shape
Out[52]: ((983, 19900), (983,))
X_Test.shape,Y_Test.shape
Out[53]: ((52, 19900), (52,))

我正在运行一个简单的二元分类器，因为 Y_train 和 Y_test 可以是 1 或 2

import  keras
import  tensorflow as tf
from keras import  layers
from keras.layers import Input, Dense
from keras.models import Model,Sequential
import numpy as np
from  keras.optimizers import  Adam

myModel = keras.Sequential([
    keras.layers.Dense(1000,activation=tf.nn.relu,input_shape=(19900,)),
    keras.layers.Dense(64, activation=tf.nn.relu),
    keras.layers.Dense(32, activation=tf.nn.relu),
    keras.layers.Dense(1, activation=tf.nn.softmax)
])

myModel.compile(optimizer='adam', loss='sparse_categorical_crossentropy',metrics=['accuracy'])
myModel.fit(X_Train, Y_Train, epochs=100,batch_size=1000)
test_loss,test_acc=myModel.evaluate(X_Test,Y_Test)

代码输出

训练损失和准确性

Epoch 1/100
983/983 [==============================] - 1s 1ms/step - loss: nan - acc: 0.4608
Epoch 2/100
983/983 [==============================] - 0s 206us/step - loss: nan - acc: 0.4873
Epoch 3/100
983/983 [==============================] - 0s 200us/step - loss: nan - acc: 0.4883
Epoch 4/100
983/983 [==============================] - 0s 197us/step - loss: nan - acc: 0.4883
Epoch 5/100
983/983 [==============================] - 0s 194us/step - loss: nan - acc: 0.4873
Epoch 6/100
983/983 [==============================] - 0s 202us/step - loss: nan - acc: 0.4863
Epoch 7/100
983/983 [==============================] - 0s 198us/step - loss: nan - acc: 0.4863
Epoch 8/100
983/983 [==============================] - 0s 194us/step - loss: nan - acc: 0.4883
Epoch 9/100
983/983 [==============================] - 0s 196us/step - loss: nan - acc: 0.4873
Epoch 10/100
983/983 [==============================] - 0s 198us/step - loss: nan - acc: 0.4873
Epoch 11/100
983/983 [==============================] - 0s 200us/step - loss: nan - acc: 0.4893
Epoch 12/100
983/983 [==============================] - 0s 198us/step - loss: nan - acc: 0.4873
Epoch 13/100
983/983 [==============================] - 0s 194us/step - loss: nan - acc: 0.4873
Epoch 14/100
983/983 [==============================] - 0s 197us/step - loss: nan - acc: 0.4883
Epoch 97/100
    983/983 [==============================] - 0s 196us/step - loss: nan - acc: 0.4893
Epoch 98/100
    983/983 [==============================] - 0s 199us/step - loss: nan - acc: 0.4883
Epoch 99/100
    983/983 [==============================] - 0s 193us/step - loss: nan - acc: 0.4883
Epoch 100/100
    983/983 [==============================] - 0s 196us/step - loss: nan - acc: 0.4863

测试损失和准确性

test_loss,test_acc
Out[58]: (nan, 0.4615384661234342)

我还检查了我的数据中是否有任何 nan 值

np.isnan(X_Train).any()
Out[5]: False
np.isnan(Y_Train).any()
Out[6]: False
np.isnan(X_Test).any()
Out[7]: False
np.isnan(Y_Test).any()
Out[8]: False

我的问题是为什么我的训练精度没有提高，为什么损失是 nan 以及为什么没有 one-hot 编码输出中的 softmax 工作正常？

注意1：我很抱歉我的数据很大，所以我不能在这里分享，但如果有什么方法可以在这里分享，那么我准备好了。

注意2我的训练数据中有很多零值

Answer 1

有时在 Keras 中，Relu 和 Softmax 的组合会导致数值问题，因为 Relu 可以产生对应于非常小的概率的大正值。

尝试使用tanh 而不是Relu

Answer 2

如果你在损失中得到 NaN 值，这意味着输入在函数域之外。发生这种情况的原因有多种。以下是追踪原因的几个步骤，

1) 如果输入在功能域之外，则确定这些输入是什么。跟踪输入值到成本函数的进展。

2) 检查输入数据集中是否有 null 或 nan 值。可以通过

DataFrame.isnull().any() 

3) 更改输入数据的缩放比例。将 0 和 1 之间的数据标准化以开始训练。

4) 改变权重初始化方法。

很难指出深度神经网络的确切解决方案。因此，请尝试上述方法，它应该可以让您大致了解问题所在。

Answer 3

Softmax 激活在这里不是正确的选择。输出层上只有一个神经元。

让我们考虑一下 softmax 函数是如何定义的。（图片来自 wikepedia.org）

.
由于最后一层只有一个神经元， 对于 的所有值都将为 1。

由于您使用的是sparse_categorical_crossentropy，因此 keras（或 tensorflow）可以从 logits 的形状中推断出类的数量。 In keras(or tensorflow) the shape of logits is assumed to be [BATCH_SIZE, NUM_CLASSES]。您的 logits 的形状是 [None, 1]，因此 keras 假设您的课程数量为 1，但您正在喂食多个课程（0 或 1），这会导致错误。

这里正确的激活函数是 sigmoid（tanh 也可以通过将数据集目标更改为 -1 或 1 来工作）。损失应该是binary_crossentropy。

myModel = keras.Sequential([
    keras.layers.Dense(1000,activation=tf.nn.relu,input_shape=(19900,)),
    keras.layers.Dense(64, activation=tf.nn.relu),
    keras.layers.Dense(32, activation=tf.nn.relu),
    keras.layers.Dense(1, activation="sigmoid")
])

myModel.compile(optimizer='adam', loss='binary_crossentropy',metrics=['accuracy'])