当我使用 RELU 激活时，为啥我的 TensorFlow 网络权重和成本为 NaN？

Posted 2023-02-23

【中文标题】当我使用 RELU 激活时，为啥我的 TensorFlow 网络权重和成本为 NaN？

【英文标题】：Why are my TensorFlow network weights and costs NaN when I use RELU activations?当我使用 RELU 激活时，为什么我的 TensorFlow 网络权重和成本为 NaN？

【发布时间】：2016-09-23 17:34:09

【问题描述】：

如果没有激活和权重的 NaN 值，我无法让 TensorFlow RELU 激活（tf.nn.relu 和 tf.nn.relu6）工作，这会杀死我的训练运行。

我相信我遵循了所有正确的一般建议。例如，我用

初始化我的权重

weights = tf.Variable(tf.truncated_normal(w_dims, stddev=0.1))
biases = tf.Variable(tf.constant(0.1 if neuron_fn in [tf.nn.relu, tf.nn.relu6] else 0.0, shape=b_dims))

并使用较慢的训练速率，例如，

tf.train.MomentumOptimizer(0.02, momentum=0.5).minimize(cross_entropy_loss)

但是任何具有可观深度的网络都会导致 NaN 的成本和至少一些权重（至少在它们的摘要直方图中）。事实上，从一开始（训练之前）的成本通常是NaN。

即使我使用 L2（大约 0.001）正则化和 dropout（大约 50%），我似乎也有这些问题。

是否有一些参数或设置我应该调整以避免这些问题？我不知道从哪里开始寻找，所以任何建议都将不胜感激！

【问题讨论】：

relu 没有什么神奇之处。错误在您的代码中，因此您应该提供它。为什么将偏差初始化为 0.1 而不是 0？为什么不简单地 tf.Variable + tf.zeros ？

@lejlot：0.1 的想法来自from Google。

你的网络有多少层？这似乎是一个梯度爆炸问题。

@LifuHuang：问题似乎出现在>4。但即使我可以避免我的 NaN 问题，RELU 实际上似乎也不能很好地工作。

“炒作”涉及很多方面。特别是对于真正的深度网络（假设至少有 10-20 个隐藏层），relu 的表现比 sigmoid 好得多。它们收敛得更快，得到更好的解决方案，它们更容易实现（计算速度也更快，如果你把它放在 gpus 上，这一点很重要）。有一些新的、特定的初始化启发式方法非常适合 relus（与旧的基于 sigmoid 的启发式方法不同），您可以在 nips 论文中找到这些启发式方法。

【参考方案1】：

按照He et. al（如lejlot 的评论中所建议），将第l层的权重初始化为具有标准偏差的零均值高斯分布

其中 n_l 是输入向量的展平长度或

stddev=np.sqrt(2 / np.prod(input_tensor.get_shape().as_list()[1:]))

导致权重通常不会发散。

【参考方案2】：

如果您在网络顶部使用 softmax 分类器，请尝试使 softmax 下方层的初始权重非常小（例如 std=1e-4）。这使得网络输出的初始分布非常柔软（高温），并有助于确保优化的前几个步骤不会太大且数值不稳定。

【参考方案3】：

您是否尝试过gradient clipping 和/或更小的学习率？

基本上，您需要在应用渐变之前对其进行处理，如下所示（主要来自 tf 文档）：

# Replace this with what follows
# opt = tf.train.MomentumOptimizer(0.02, momentum=0.5).minimize(cross_entropy_loss)

# Create an optimizer.
opt = tf.train.MomentumOptimizer(learning_rate=0.001, momentum=0.5)

# Compute the gradients for a list of variables.
grads_and_vars = opt.compute_gradients(cross_entropy_loss, tf.trainable_variables())

# grads_and_vars is a list of tuples (gradient, variable).  Do whatever you
# need to the 'gradient' part, for example cap them, etc.
capped_grads_and_vars = [(tf.clip_by_value(gv[0], -5., 5.), gv[1]) for gv in grads_and_vars]

# Ask the optimizer to apply the capped gradients.
opt = opt.apply_gradients(capped_grads_and_vars)

另外，the discussion in this question 可能会有所帮助。