1. 神经网络梯度爆炸实操
在深度学习中,网络常见的问题有两种,一个是梯度消失(也称梯度弥散),另一个是梯度爆炸,其实还有一个就是模型坍塌(这个模型坍塌在网络设计的较为合理的前提下,会在生成模型GAN系列中出现)。
一、梯度消失
在损失下降的时候,我们希望损失下降到0,但是,神经网络实际上损失下降到0是有问题的,
- 其一:就是损失到0是一种过拟合的现象;
- 其二:在训练时,如果损失到0,然后突然出现NAN,那么就意味着,梯度不能更新了,有一种很大的可能就是梯度消失。
- 解决梯度消失,我们通常会加入BN,加入残差,会在很大的一定程度上解决这个问题,通过跳跃连接(残差),还有就是在对数据进行归一化。
二、梯度爆炸
- 下面是梯度爆炸的实操,下面会导致梯度爆炸,在训练时,梯度爆炸的现象是,第一轮损失是比较低的,例如下面这种情况:第一轮损失比较小,第二轮就猛增,这种在训练开始的时候出现的现象,就会导致梯度爆炸,因为在验证的时候也加了梯度更新,梯度就不停的累加,导致梯度很大,损失也会变大,因此在写代码的时候要注意验证集不能使用梯度更新的三步。
[opoch=1] tain_avg_loss : 6.223523
[opoch=2] tain_avg_loss : 40.223523
[opoch=2] tain_avg_loss : 45.223523
[opoch=2] tain_avg_loss : 50.223523
for epoch in range(EPOCH):
net.train()
for x, y in train_loader:
out = net(x)
loss = loss_func(out, y)
# 训练时使用梯度更新的三步
optimizer.zero_grad()
loss.backward()
optimizer.step()
print(loss.item())
net.eval()
for x, y in val_loader:
out = net(x)
loss = loss_func(out, y)
# 测试时不能加梯度更新的三步
optimizer.zero_grad()
loss.backward()
optimizer.step()
三、模型坍塌
- 在生成模型中,例如GAN中,需要通过调参,才能将网络的训练的比较好,GAN中,出现模型坍塌的情况,损失会突然变成NAN,这样有可能是模型坍塌的,这个模型坍塌,在自己设计的生成模型中,可能会出现,因此,要注意。