【更新2020.9.20】
今天做手写英文行识别的时候再次遇到了这个蛋疼的问题:loss降到3.24就不降了,预测结果为常值。。。反复检查和调整参数,整了我3天,终于破案了:
在模型、数据、优化器都没问题的情况下,看看模型的初始化方法。
我本来是采用kaiming_normal初始化策略的,这是我一直默认采用的网络初始化方法。然而,这次kaiming并不适合这个场景。当我把kaiming_normal初始化部分代码注释掉之后,模型就正常训练了。
结论就是,要敢于质疑一切啊!以前一直不在意初始化方法,这次就差点挂在了初始化。。
----------------------------------------
中文相比于英文,有个显著特点就是字符很多。如果不考虑偏旁部首构成,文字的分类数会有几千几万。
这种情况下如果从头训练(随机初始化),单个字符识别的训练过程尚且不容易(参考博客,还是可以训练好的),基于attention的encoder-decoder方法就更困难了,因为它还包含一个计算attention的定位过程。
我曾尝试从头训练一个基于attention的encoder-decoder方法(共6346个汉字,6347分类),但是loss总是在一个很大的数字(4.7)时就不降了,而且对每个样本预测的字符序列都一样。难以训练。
最后我使用之前训练好的单字符模型的提特征部分作为Encoder的提特征部分,把参数搬过来,新模型一开始在Encoder提特征部分的学习率设置特别小。采用adadelta,终于可以很好地学习了。
对于训练文本行中文识别模型的总结如下:
(1)先对涉及到的单个中文字符分类,得到一个单字符分类模型;
(2)把上面的模型的提取特征部分作为Encoder的提特征部分,训练encoder-decoder模型。注意加载了预训练参数的部分的学习率应该设置很小。
(3)等到网络学习得很好的时候,再将整个模型学习率设为一样。
(4)如果一定要从头学习,Encoder部分网络还是别搞太复杂。