python - 预测 Nans 的 Tensorflow 模型

Question

我是 TensorFlow 框架的新手，我正在尝试应用 TensorFlow 来预测基于泰坦尼克号数据集的幸存者:https://www.kaggle.com/c/titanic/data。

import tensorflow as tf
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
#%%
titanictrain = pd.read_csv('train.csv')
titanictest = pd.read_csv('test.csv')
df = pd.concat([titanictrain,titanictest],join='outer',keys='PassengerId',sort=False,ignore_index=True).drop(['Name'],1)

#%%

def preprocess(df):
    df['Fare'].fillna(value=df.groupby('Pclass')['Fare'].transform('median'),inplace=True)
    df['Fare'] = df['Fare'].map(lambda x: np.log(x) if x>0 else 0)
    df['Embarked'].fillna(value=df['Embarked'].mode()[0],inplace=True)
    df['CabinAlphabet'] = df['Cabin'].str[0]
    categories_to_one_hot = ['Pclass','Sex','Embarked','CabinAlphabet']
    df = pd.get_dummies(df,columns=categories_to_one_hot,drop_first=True)
    return df
df = preprocess(df)

df = df.drop(['PassengerId','Ticket','Cabin','Survived'],1)

titanic_trainandval = df.iloc[:len(titanictrain)]
titanic_test = df.iloc[len(titanictrain):] #test after preprocessing

titanic_test.head()

#  split train into training and validation set
labels = titanictrain['Survived']
y = labels.values

test = titanic_test.copy() # real test sets
print(len(test), 'test examples')

我在这里尝试对数据进行预处理:

1.Drop Name column and Do one hot coding both on the train and test set

2.为了简单起见，删除 ['PassengerId','Ticket','Cabin','Survived']。

1. 拆分火车并按照原始顺序进行测试

这是一张显示训练集外观的图片。

"""# model training"""

from tensorflow.keras.layers import Input, Dense, Activation,Dropout
from tensorflow.keras.models import Model

X = titanic_trainandval.copy()
input_layer = Input(shape=(X.shape[1],))
dense_layer_1 = Dense(10, activation='relu')(input_layer)
dense_layer_2 = Dense(5, activation='relu')(dense_layer_1)
output = Dense(1, activation='softmax',name = 'predictions')(dense_layer_2)

model = Model(inputs=input_layer, outputs=output)
base_learning_rate = 0.0001

model.compile(loss=tf.keras.losses.BinaryCrossentropy(from_logits=True), optimizer=tf.keras.optimizers.Adam(lr=base_learning_rate), metrics=['acc'])

history = model.fit(X, y, batch_size=5, epochs=20, verbose=2, validation_split=0.1,shuffle = False)

submission = pd.DataFrame()
submission['PassengerId'] = titanictest['PassengerId']

然后我把训练集X放到模型中得到结果。但是，历史显示以下结果:

无论我如何改变学习率和批量大小，结果都不会改变，损失始终是'nan'，基于测试集的预测也始终是'nan'。

谁能解释一下问题出在哪里并给出一些可能的解决方案？

Answer 1

乍一看，您的代码中有两个主要问题:

1. 您的输出层必须是Dense(2, activation='softmax')。这是因为您的问题是二元分类问题，如果您使用 softmax 生成概率，则输出 dim 必须等于类数。 (您可以将一个输出维度与 sigmoid 激活一起使用)

2. 你必须改变你的损失函数。对于 softmax 和数字编码目标，使用 sparse_categorical_crossentropy。 (您可以将 binary_crossentropy 与 sigmoid 一起使用，默认情况下使用 from_logits=False)

PS:确保在开始拟合之前删除原始数据中的所有 NaN