- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试拟合一个输出变量始终为正的 keras 模型。我想使用 Gamma 分布来模拟这个问题。问题是损失总是输出 NAN。
我构建了以下 keras 模型:
model_max = tf.keras.Sequential([
tf.keras.layers.Dense(20,input_dim=10, activation="relu"),
tf.keras.layers.Dense(15,activation="relu"),
tf.keras.layers.Dense(10,activation="relu"),
tf.keras.layers.Dense(5,activation="relu"),
tf.keras.layers.Dense(2),
tfp.layers.DistributionLambda(lambda t:
tfd.Gamma(concentration = tf.math.softplus(0.005*t[...,:1])+0.001,
rate = tf.math.softplus(0.005*t[...,1:])+0.001)
),
])
请注意,我使用了 softplus,因为分布的两个参数都必须为正。我还添加了 0.001 以确保参数始终大于零。
我的损失函数如下:
def gamma_loss(y_true, my_dist):
dist_mean = my_dist.mean()
dist_stddev = my_dist.stddev()
alpha = (dist_mean / dist_stddev)**2
beta = dist_mean / dist_stddev**2
gamma_distr = tfd.Gamma(concentration=alpha, rate=beta)
return -tf.reduce_mean(gamma_distr.log_prob(y_true))
这个函数似乎工作正常。例如,如果我运行以下代码,它运行良好:
import tensorflow as tf
import tensorflow_probability as tfp
tfd = tfp.distributions
def gamma_loss(y_true, my_dist):
dist_mean = my_dist.mean()
dist_stddev = my_dist.stddev()
alpha = (dist_mean / dist_stddev)**2
beta = dist_mean / dist_stddev**2
#print(alpha)
gamma_distr = tfd.Gamma(concentration=alpha, rate=beta)
return -tf.reduce_mean(gamma_distr.log_prob(y_true)).numpy()
dist = tfd.Gamma(1,1)
gamma_loss(100, dist)
但是,如果我用下面一行编译它:
model_max.compile(optimizer=tf.optimizers.Adam(learning_rate = 0.001),loss=gamma_loss)
loss总是输出nan
我做错了什么?我尝试了不同的损失函数,但似乎没有任何效果。我认为这与浓度 论点有关,因为我已经有了一个与正态分布类似的模型。在该模型中,我没有对均值 (loc) 使用 softplus,因为该分布接受任何正值或负值。我使用标准偏差的确切结构,因为它在正态分布中也必须是正数。它工作得很好。为什么它不适用于 Gamma 分布?
感谢您向任何可以帮助我理解我做错了什么的人提供建议。
最佳答案
我想与您分享我为使我的代码正常工作所做的一切:
kernel_initializer='random_uniform'
语句,并且,lambda y, p_y: -p_y.log_prob(y)
v我不确定 gamma_loss 是否是问题所在,但我发现有人在做我正在做的同样事情的例子以及更简单的 lambda y, p_y: -p_y.log_prob(y)
功能运行良好,所以我同意了。我认为我的主要问题是权重没有被随机初始化。
此外,我想重复一下我在搜索答案时在网上找到的一些建议:尝试拟合一个示例并确保在使用真实训练数据之前它运行良好。在我的例子中,我通过采用一个训练示例并将该行复制数千次(创建一个所有行都相等的数据集)然后仅使用它来训练我的模型来实现这一点。当我的模型无法适应时,逐层分析每一层的结果应该是什么会更容易。
Brian Patton 给出的答案非常有帮助,因为它确实为我指明了正确的方向,即尝试理解每一层输出的内容并通过一个简单的示例测试您的假设。
为了将来引用,这是我的代码现在的样子:
model_max = tf.keras.Sequential(
[
tf.keras.layers.Dense(
20, input_dim=10, activation="relu", kernel_initializer="random_uniform"
),
tf.keras.layers.Dense(
15, activation="relu", kernel_initializer="random_uniform"
),
tf.keras.layers.Dense(
10, activation="relu", kernel_initializer="random_uniform"
),
tf.keras.layers.Dense(
5, activation="relu", kernel_initializer="random_uniform"
),
tf.keras.layers.Dense(2, kernel_initializer="random_uniform"),
tfp.layers.DistributionLambda(
lambda t: tfd.Gamma(
concentration=tf.math.softplus(t[:, 0]) + 1e-9,
rate=tf.math.softplus(t[:, 1]) + 1e-9,
),
),
]
)
negloglik = lambda y, p_y: -p_y.log_prob(y)
model_max.compile(optimizer=tf.optimizers.Adamax(learning_rate=1e-4), loss=negloglik)
关于tensorflow - 如何将 Keras 模型拟合到 Gamma 分布?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58089579/
我想将模型及其各自训练的权重从 tensorflow.js 转换为标准 tensorflow,但无法弄清楚如何做到这一点,tensorflow.js 的文档对此没有任何说明 我有一个 manifest
我有一个运行良好的 TF 模型,它是用 Python 和 TFlearn 构建的。有没有办法在另一个系统上运行这个模型而不安装 Tensorflow?它已经经过预训练,所以我只需要通过它运行数据。 我
当执行 tensorflow_model_server 二进制文件时,它需要一个模型名称命令行参数,model_name。 如何在训练期间指定模型名称,以便在运行 tensorflow_model_s
我一直在 R 中使用标准包进行生存分析。我知道如何在 TensorFlow 中处理分类问题,例如逻辑回归,但我很难将其映射到生存分析问题。在某种程度上,您有两个输出向量而不是一个输出向量(time_t
Torch7 has a library for generating Gaussian Kernels在一个固定的支持。 Tensorflow 中有什么可比的吗?我看到 these distribu
在Keras中我们可以简单的添加回调,如下所示: self.model.fit(X_train,y_train,callbacks=[Custom_callback]) 回调在doc中定义,但我找不到
我正在寻找一种在 tensorflow 中有条件打印节点的方法,使用下面的示例代码行,其中每 10 个循环计数,它应该在控制台中打印一些东西。但这对我不起作用。谁能建议? 谢谢,哈米德雷萨, epsi
我想使用 tensorflow object detection API 创建我自己的 .tfrecord 文件,并将它们用于训练。该记录将是原始数据集的子集,因此模型将仅检测特定类别。我不明白也无法
我在 TensorFlow 中训练了一个聊天机器人,想保存模型以便使用 TensorFlow.js 将其部署到 Web。我有以下内容 checkpoint = "./chatbot_weights.c
我最近开始学习 Tensorflow,特别是我想使用卷积神经网络进行图像分类。我一直在看官方仓库中的android demo,特别是这个例子:https://github.com/tensorflow
我目前正在研究单图像超分辨率,并且我设法卡住了现有的检查点文件并将其转换为 tensorflow lite。但是,使用 .tflite 文件执行推理时,对一张图像进行上采样所需的时间至少是使用 .ck
我注意到 tensorflow 的 api 中已经有批量标准化函数。我不明白的一件事是如何更改训练和测试之间的程序? 批量归一化在测试和训练期间的作用不同。具体来说,在训练期间使用固定的均值和方差。
我创建了一个模型,该模型将 Mobilenet V2 应用于 Google colab 中的卷积基础层。然后我使用这个命令转换它: path_to_h5 = working_dir + '/Tenso
代码取自:- http://adventuresinmachinelearning.com/python-tensorflow-tutorial/ import tensorflow as tf fr
好了,所以我准备在Tensorflow中运行 tf.nn.softmax_cross_entropy_with_logits() 函数。 据我了解,“logit”应该是概率的张量,每个对应于某个像素的
tensorflow 服务构建依赖于大型 tensorflow ;但我已经成功构建了 tensorflow。所以我想用它。我做这些事情:我更改了 tensorflow 服务 WORKSPACE(org
Tensoflow 嵌入层 ( https://www.tensorflow.org/api_docs/python/tf/keras/layers/Embedding ) 易于使用, 并且有大量的文
我正在尝试使用非常大的数据集(比我的内存大得多)训练 Tensorflow 模型。 为了充分利用所有可用的训练数据,我正在考虑将它们分成几个小的“分片”,并一次在一个分片上进行训练。 经过一番研究,我
根据 Sutton 的书 - Reinforcement Learning: An Introduction,网络权重的更新方程为: 其中 et 是资格轨迹。 这类似于带有额外 et 的梯度下降更新。
如何根据条件选择执行图表的一部分? 我的网络有一部分只有在 feed_dict 中提供占位符值时才会执行.如果未提供该值,则采用备用路径。我该如何使用 tensorflow 来实现它? 以下是我的代码
我是一名优秀的程序员,十分优秀!