一、梯度裁剪
循环神经网络中很容易出现梯度衰减或爆炸。由于是循环计算,在进行反向传播的时候,梯度会传播很多次。
当传播过程中有大多数导数 > 1时,最终的梯度会出现 ∞ \infty ∞,即所谓梯度爆炸;当大多数导数 < 1时,最终的梯度会 → 0 \rightarrow0 →0,即所谓梯度消失。
对此,有一种可行的做法,称为梯度裁剪。假设将所有模型参数梯度的元素拼接成一个向量
g
\boldsymbol g
g,并设裁剪的阈值是
θ
\theta
θ。则定义裁剪后的梯度为
m
i
n
(
θ
∥
g
∥
,
1
)
g
min(\frac {\theta}{\parallel \boldsymbol g \parallel}, 1)\boldsymbol g
min(∥g∥θ,1)g
即:当所求出的梯度范数 ∥ g ∥ \parallel \boldsymbol g \parallel ∥g∥ > 我们所能接受的阈值 θ \theta θ时,就将其缩小 θ ∥ g ∥ \frac {\theta}{\parallel \boldsymbol g \parallel} ∥g∥θ倍;否则,就不变。
代码实现如下:
'''
params: 模型的所有参数
theta: 阈值
ctx: cpu or gpu
'''
def grad_clipping(params, theta, ctx):
# 求范数
norm = nd.array([0], ctx)
for param in params:
norm += (param.grad ** 2).sum()
norm = norm.sqrt().asscalar()
if norm > theta:
for param in params:
param.grad[:] *= theta / norm # 梯度缩小
二、困惑度
对于语言模型的评价,通常采用困惑度(perplexity)。困惑度定义为:交叉熵损失函数做指数运算后的值。特别地,
- 最佳情况,模型总是把标签类别的概率预测为1。此时困惑度为1
- 最坏情况下,模型总是把标签类别的概率预测为0。此时困惑为 ∞ \infty ∞