machine-learning - 训练过程中出现Nans的常见原因

Question

我已经注意到，在培训期间经常发生的是引入了NAN。

通常，它似乎是通过权重引入内部产品/完全连接的或卷积层中而产生的。

这是由于梯度计算正在爆炸而发生的吗？还是因为权重初始化(如果是的话，为什么权重初始化会产生这种效果)？还是可能是由于输入数据的性质引起的？

这里的首要问题很简单:在训练过程中发生NAN的最常见原因是什么？ 其次，有什么方法可以解决这个问题(为什么它们起作用)？

Answer 1

我多次遇到这种现象。这是我的观察结果:

渐变爆炸
原因:大梯度会使学习过程偏离轨道。
您应该期望:查看运行时日志，应该查看每个迭代的损失值。您会注意到，损失在迭代之间开始显着增长，最终损失将太大而无法用浮点变量表示，并且它将变为nan。
您可以做什么:将base_lr(在Solver.prototxt中)减少一个数量级(至少)。如果您有多个损失层，则应检查日志以查看是哪个层造成了梯度爆炸，并减少了该特定层的loss_weight(在train_val.prototxt中)，而不是一般的base_lr。

不良的学习率政策和参数
原因: caffe无法计算有效的学习率，而是获取'inf'或'nan'，此无效率会乘以所有更新，从而使所有参数无效。
您应该期望:查看运行时日志，您应该看到学习率本身变成'nan'，例如:

... sgd_solver.cpp:106] Iteration 0, lr = -nan

您可以做什么:修复 'solver.prototxt'文件中影响学习率的所有参数。
例如，如果您使用 lr_policy: "poly"而忘记定义 max_iter参数，则最终会得到 lr = nan ...
有关咖啡学习率的更多信息，请参见 this thread。

故障损失功能
原因:有时，损耗层中损耗的计算会导致 nan出现。例如，使用带有错误的自定义损失层喂 InfogainLoss layer with non-normalized values，等等。
您应该期望:在运行时日志中，您可能不会注意到任何异常情况:损耗在逐渐减少，并且突然出现了 nan。
您可以做什么:看看是否可以重现错误，将打印输出添加到损失层并调试错误。
例如:一旦我使用了损失，就可以按批次中标 checkout 现的频率归一化惩罚。碰巧的是，如果其中一个训练标签根本没有出现在批次中-计算得出的损失将生成 nan。在那种情况下，使用足够大的批次(相对于标签中的标签数量)就足以避免此错误。

输入错误
原因:您输入了带有 nan的输入!
您应该期望什么:，一旦学习过程“命中”了这个错误的输入输出，就会变成 nan。查看运行时日志，您可能不会注意到任何异常情况:损失正在逐渐减少，并且突然出现 nan。
您可以做什么:重新构建您的输入数据集(lmdb/leveldn/hdf5 ...)，请确保您的训练/验证集中没有不良的图像文件。为了进行调试，您可以构建一个简单的网络，该网络读取输入层，在其上具有虚拟损耗并遍历所有输入:如果其中一个输入有故障，则该虚拟网也应生成 nan。

跨度大于 "Pooling"层中的内核大小
由于某些原因，选择 stride> kernel_size进行池化可能会导致 nan s。例如:

layer {
  name: "faulty_pooling"
  type: "Pooling"
  bottom: "x"
  top: "y"
  pooling_param {
    pool: AVE
    stride: 5
    kernel: 3
  }
}

在 nan中带有 y的结果。
"BatchNorm"中的不稳定性
据报道，在某些设置下 "BatchNorm"层可能会由于数值不稳定而输出 nan。
此 issue是在bvlc/caffe中提出的，而 PR #5136试图对其进行修复。

最近，我意识到 debug_info 标志:在 debug_info: true中设置 'solver.prototxt'将使caffe打印以在训练期间记录更多调试信息(包括梯度幅度和激活值):该信息可以 help in spotting gradient blowups and other problems in the training process。