python - torch : "Model Weights not Changing"

Question

有人可以帮助我理解为什么权重没有更新吗？

    unet = Unet()
    optimizer = torch.optim.Adam(unet.parameters(), lr=0.001)
    loss_fn = torch.nn.MSELoss()
    input =  Variable(torch.randn(32, 1, 64, 64, 64 ), requires_grad=True)
    target = Variable(torch.randn(32, 1, 64, 64, 64), requires_grad=False)

    optimizer.zero_grad()
    y_pred = unet(input)
    y = target[: , : , 20:44, 20:44, 20:44]

    loss = loss_fn(y_pred, y)
    print(unet.conv1.weight.data[0][0]) # weights of the first layer in the unet
    loss.backward()
    optimizer.step()
    print(unet.conv1.weight.data[0][0]) # weights havent changed

模型定义如下:

class Unet(nn.Module):

def __init__(self):
  super(Unet, self).__init__()

  # Down hill1
  self.conv1 = nn.Conv3d(1, 2, kernel_size=3,  stride=1)
  self.conv2 = nn.Conv3d(2, 2, kernel_size=3,  stride=1)

  # Down hill2
  self.conv3 = nn.Conv3d(2, 4, kernel_size=3,  stride=1)
  self.conv4 = nn.Conv3d(4, 4, kernel_size=3,  stride=1)

  #bottom
  self.convbottom1 = nn.Conv3d(4, 8, kernel_size=3,  stride=1)
  self.convbottom2 = nn.Conv3d(8, 8, kernel_size=3,  stride=1)

  #up hill1
  self.upConv0 = nn.Conv3d(8, 4, kernel_size=3,  stride=1)
  self.upConv1 = nn.Conv3d(4, 4, kernel_size=3,  stride=1)
  self.upConv2 = nn.Conv3d(4, 2, kernel_size=3,  stride=1)

  #up hill2
  self.upConv3 = nn.Conv3d(2, 2, kernel_size=3, stride=1)
  self.upConv4 = nn.Conv3d(2, 1, kernel_size=1, stride=1)

  self.mp = nn.MaxPool3d(kernel_size=3, stride=2, padding=1)
  # some more irrelevant properties...

转发函数如下所示:

def forward(self, input):
    # Use U-net Theory to Update the filters.
    # Example Approach...
    input = F.relu(self.conv1(input))
    input = F.relu(self.conv2(input))

    input = self.mp(input)

    input = F.relu(self.conv3(input))
    input = F.relu(self.conv4(input))

    input = self.mp(input)

    input = F.relu(self.convbottom1(input))
    input = F.relu(self.convbottom2(input))

    input = F.interpolate(input, scale_factor=2, mode='trilinear')

    input = F.relu(self.upConv0(input))
    input = F.relu(self.upConv1(input))

    input = F.interpolate(input, scale_factor=2, mode='trilinear')


    input = F.relu(self.upConv2(input))
    input = F.relu(self.upConv3(input))

    input = F.relu(self.upConv4(input))

    return input

我遵循了我能找到的任何示例和文档的方法，但我无法理解为什么这不起作用？

我可以算出，向后调用之后的 y_pred.grad 是 none ，但它不应该是。如果我们没有梯度，那么优化器当然不能改变任何方向的权重，但为什么没有梯度呢？

Answer 1

我认为这个问题是“ReLu 垂死问题”，因为数据是 Hounsfield 单位，Pytorch 初始权重均匀分布意味着许多神经元将从 ReLu 的零区域开始，使它们瘫痪并依赖其他神经元来完成任务。产生一个梯度，可以将它们拉出零区域。随着训练的进行，这种情况不太可能发生，所有神经元都会被插入 ReLu 的零区域。

此问题有多种解决方案。您可以使用 Leaky_relu 或其他没有零区域的激活函数。

您还可以使用批量归一化对输入数据进行归一化，并将权重初始化为仅正数。

第二个解决方案可能是最佳解决方案，因为两者都可以解决问题，但leaky_relu会延长训练时间，而批量归一化会起到相反的作用并提高准确性。另一方面，Leaky_relu 是一个简单的修复，而其他解决方案需要一些额外的工作。

对于 Hounsfield 数据，还可以在输入中添加常数 1000，以消除数据中的负单位。这仍然需要与 Pytorch 标准初始化不同的权重初始化。