tensorflow训练中出现nan问题的解决

深度学习中对于网络的训练是参数更新的过程，需要注意一种情况就是输入数据未做归一化时，如果前向传播结果已经是[0,1,0]这种形式，而真实结果是[1,0]，此时由于得出的结论不惧有概率性，而是错误的估计值，此时反向传播会使得权重和偏置值变的无穷大，导致数据溢出，也就出现了nan的问题。

解决办法：

1、对输入数据进行归一化处理，如将输入的图片数据除以255将其转化成0-1之间的数据;

2、对于层数较多的情况，各层都做batch_nomorlization;

3、对设置Weights权重使用tf.truncated_normal(0,0.01,[3,3,64])生成，同时值的均值为0，方差要小一些;

4、激活函数可以使用tanh;

5、减小学习率lr。

实例：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('data',one_hot = True)

def add_layer(input_data,in_size,out_size,activation_function=None):
  Weights = tf.Variable(tf.random_normal([in_size,out_size]))
  Biases = tf.Variable(tf.zeros([1,out_size])+0.1)
  Wx_plus_b = tf.add(tf.matmul(input_data,Weights),Biases)
  if activation_function==None:
    outputs = Wx_plus_b
  else:
    outputs = activation_function(Wx_plus_b)
  #return outputs#,Weights
  return {'outdata':outputs,'w':Weights}

def get_accuracy(t_y):
#  global l1
#  accu = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(l1['outdata'],1),tf.argmax(t_y,1)),dtype = tf.float32))
  global prediction
  accu = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(prediction['outdata'],dtype = tf.float32))
  return accu

X = tf.placeholder(tf.float32,[None,784])
Y = tf.placeholder(tf.float32,10])

#l1 = add_layer(X,784,10,tf.nn.softmax)
#cross_entropy = tf.reduce_mean(-tf.reduce_sum(Y*tf.log(l1['outdata']),reduction_indices= [1]))
#l1 = add_layer(X,1024,tf.nn.relu)

l1 = add_layer(X,None)
prediction = add_layer(l1['outdata'],tf.nn.softmax)
cross_entropy = tf.reduce_mean(-tf.reduce_sum(Y*tf.log(prediction['outdata']),reduction_indices= [1]))

optimizer = tf.train.GradientDescentOptimizer(0.000001)
train = optimizer.minimize(cross_entropy)


newW = tf.Variable(tf.random_normal([1024,10]))
newOut = tf.matmul(l1['outdata'],newW)
newSoftMax = tf.nn.softmax(newOut)

init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  #print(sess.run(l1_Weights))
  for i in range(2):
    X_train,y_train = mnist.train.next_batch(1)
    X_train = X_train/255  #需要进行归一化处理
    #print(sess.run(l1['w'],feed_dict={X:X_train}))
    #print(sess.run(prediction['w'],feed_dict={X:X_train,Y:y_train}))
    #print(sess.run(l1['outdata'],Y:y_train}).shape)
    print(sess.run(prediction['outdata'],Y:y_train}))
    print(sess.run(newOut,feed_dict={X:X_train}))
    print(sess.run(newSoftMax,feed_dict={X:X_train}))
    print(y_train)
    #print(sess.run(l1['outdata'],feed_dict={X:X_train}))
    sess.run(train,Y:y_train})
    if i%100 == 0:
      #print(sess.run(cross_entropy,Y:y_train}))
      accuracy = get_accuracy(mnist.test.labels)
      print(sess.run(accuracy,feed_dict={X:mnist.test.images}))
    
    #if i%100==0:
    #print(sess.run(prediction,feed_dict={X:X_train}))
    #print(sess.run(cross_entropy,Y:y_train}))

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持编程小技巧。

您可能感兴趣的文章:

• tensorflow学习笔记之简单的神经网络训练和测试
• 利用TensorFlow训练简单的二分类神经网络模型的方法
• tensorflow入门之训练简单的神经网络方法
• 详解tensorflow训练自己的数据集实现CNN图像分类
• TensorFlow实现随机训练和批量训练的方法

（编辑：安卓应用网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!