想要实现一个类似简单版EGES的网络,之前加入了全连接等网络,效果很差,因此想要还原一下简单的skip-gram,不要那些复杂网络结构,但是出现了nan的问题。
搜罗了网上好多资料,经历了漫长的排查历程,如下:
- 添加batch normalization
- 修改负采样个数
- 减小学习率
- 改小batch size
- 添加归一化
- 对loss进行剪裁
- 对梯度进行剪裁
- 检查原始数据是否存在缺失
以上。。。都不好使。。。
更加诡异的是,添加一层全连接层,就可以了???
最终借助tensorflow的debug工具,感谢这位朋友。https://zhuanlan.zhihu.com/p/30940784
sess = tf_debug.LocalCLIDebugWrapperSession(sess, thread_name_filter="MainThread$")
sess.add_tensor_filter("has_inf_or_nan", tf_debug.has_inf_or_nan)
# run -f has_inf_or_nan
在运行的python后面添加 --debug=True
不过debug工具刚开始也有一点小bug,现在也没太解决,不过好歹给我定位到哪里出了nan
![v2-8b6dca1ee1c6b82d8f2c0535c54cf91d_b.png](http://img-01.proxy.5ce.com/view/image?&type=2&guid=faa9e0cc-f02f-eb11-8da9-e4434bdf6706&url=https://pic2.zhimg.com/v2-8b6dca1ee1c6b82d8f2c0535c54cf91d_b.png)
这两行,第一行是首次出现nan的位置。
刚看到的时候,翻白眼,这不是废话吗,我当然知道nan是出现在loss上面啦。
再看一眼,what?不是网络训练产生的losses,而是正则的loss
最终解决:由于网络改的过于简单,并没有加入正则,而计算loss时,加入了正则损失,因此,这一项没有变量进来,产生了nan。
虽然有点蠢,但是在网上真没搜到 这个原因,是以为记,继续炼丹去了。。。