搭建普通的卷積CNN網(wǎng)絡(luò)。

nan表示的是無窮或者是非數(shù)值，比如說你在tensorflow中使用一個(gè)數(shù)除以0，那么得到的結(jié)果就是nan。

在一個(gè)matrix中，如果其中的值都為nan很有可能是因?yàn)椴捎玫腸ost function不合理導(dǎo)致的。

?

當(dāng)使用tensorflow構(gòu)建一個(gè)最簡單的神經(jīng)網(wǎng)絡(luò)的時(shí)候，按照tensorflow官方給出的教程：

https://www.tensorflow.org/get_started/mnist/beginners

http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html ?（中文教程）

?

具體的含義就不解釋了。大概分為三個(gè)部分：1，導(dǎo)入數(shù)據(jù)集；2，搭建模型，并且定義cost function（也叫l(wèi)oss function）；3，訓(xùn)練。

對(duì)于過程1，我們采用的不是mnist數(shù)據(jù)集，而是自己定義了一個(gè)數(shù)據(jù)集，其中

對(duì)于過程2，我們使用最簡單的CNN網(wǎng)絡(luò)，然后定義cost function的方式是：

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

對(duì)于過程3，我們也采用教程中的例子去訓(xùn)練。

?

但是在初始化W后就立刻查看W參數(shù)的結(jié)果，得到的結(jié)果都是nan，以下是輸出W權(quán)重后的結(jié)果：

這個(gè)現(xiàn)象是由于cost function引起的：

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

上面的語句中的y_是數(shù)據(jù)集的label。我們做的是顯著性檢測，就是數(shù)據(jù)集的ground truth。

并且這個(gè)label或者ground truth一定要是one hot類型的變量。

那什么是one hot類型的變量呢？

舉一個(gè)例子：比如一個(gè)5個(gè)類的數(shù)據(jù)集，用0,1,2,3,4來表示5個(gè)類的標(biāo)簽，因此label=0,1,2,3,4。這時(shí)候有的人會(huì)把y_=0,1,2,3,4。直接輸入到cost function——-tf.reduce_sum(y_*tf.log(y))中，那么這樣會(huì)導(dǎo)致W參數(shù)初始化都是nan。

解決辦法就是我們把label=0,1,2,3,4變?yōu)閛ne hot變量，改變后的結(jié)果是：label=[1,0,0,0,0],[0,1,0,0,0],[0,0,1,0,0],[0,0,0,1,0],[0,0,0,0,1]，這樣再輸入到tf.reduce_sum(y_*tf.log(y))中，就是正確的了,如下圖，我們采用的解決辦法是第二種，具體參考下文。

?

那么本文提供兩種方法來解決這個(gè)問題：

1，將y_從原來的類別數(shù)字變?yōu)閛ne hot變量，使用

labels = tf.reshape(labels, [batch_size, 1]) indices = tf.reshape(tf.range(0, batch_size, 1), [batch_size, 1]) labels = tf.sparse_to_dense(tf.concat(values=[indices, labels], axis=1),[batch_size, num_classes], 1.0, 0.0) 將label轉(zhuǎn)為one hot（batch_size是你每次抓取的訓(xùn)練集的個(gè)數(shù)） 2，換一個(gè)cost function，原來的cost function = -tf.reduce_sum(y_*tf.log(y)) 使用的是交叉熵函數(shù)，現(xiàn)在我們換成二次代價(jià)函數(shù) cost function = tf.reduce_sum(tf.square(tf.substract(y_,y)))

?

轉(zhuǎn)載于:https://www.cnblogs.com/sddai/p/8526108.html

總結(jié)

以上是生活随笔為你收集整理的解决tensorflow在训练的时候权重是nan问题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。