神经网络模型不收敛的处理

绪

理论上，只要训练样本足够多，神经网络可以拟合原始数据分布。

遇到神经网络不收敛问题，可以
（1）先检查下输入数据（归一化，数据量）；
（2）然后，检查模型优化方法（学习率，优化器（优先Adam这些自适应学习率））;
（3）最后是，检查模型结构设计（模型是否太简单，已经拟合好数据了，设计更深的网络看loss能否再下降；）等等，欢迎补充。

1. learning rate设大了

0.1~0.0001.不同模型不同任务最优的lr都不一样。

比如像 ReLu 激活函数，如果学习率过大，会导致一些单元函数值小于0，不可恢复地“致死”，因为后续反向传播这些单元的梯度都会等于0！

Q: 我现在越来越不明白TensorFlow了，我设置训练次数很大的时候，它一开始就给我“收敛”到一个值，后面的值都一样?
A: 模型batch_size设置问题？网络过拟合了？

2. 归一化

一般需要事先对数据进行 归一化、标准化。归一化是把数值压缩到0~1，比如减去最小值，再除以最大值与最小值之差。标准化是，压缩到一个分布， 比如 每列减去 该列的均值，然后每列除于该列的标准差，获得标准正态分布。
python sklearn 的 StandardScaler 可以实现标准化。

3. 数据处理

首先，确保数据打乱（shuffle），（数据不打乱，网络极大可能拟合前面几个batch的样本分布）；然后，确保 标签 y与loss是搭配的，比如，分类模型的交叉熵 cross entropy，pytorch中target是类别，不需要one-hot，模型输出是logit，不需要softmax；keras和TensorFlow的cross entropy可能会不一样，还得看具体的API定义。

4. 损失函数

在分类中，常用交叉熵损失函数，一定要注意真实标签的维度，比如，要求标签是2维的[[0,1,0],[0,0,1]]，是否传入1维，如[1,2].

这个需要在官网确认API的输入格式。

Pytorch 的损失函数Loss function.

---

最近开通了个公众号，主要分享深度学习，比如推荐系统，风控，NLP等算法相关的内容，感兴趣的伙伴可以关注下。

公众号相关的学习资料会上传到QQ群596506387，欢迎关注。

---

参考：

1. 深度学习收敛问题；
2. 训练深度神经网络