MNIST 分类：准确率低（10%），损失没有变化

Posted 2023-03-13

【中文标题】MNIST 分类：准确率低（10%），损失没有变化

【英文标题】：MNIST Classification: low accuracy (10%) and no change in loss

【发布时间】：2018-04-29 11:48:27

【问题描述】：

我正在学习 TensorFlow，并且厌倦了申请 mnist 数据库。 我的问题是（见附图）：

什么会导致这种输出的准确性（提高然后降低！）和损失（几乎恒定！） 准确度不是很好，只是徘徊在 10% 左右

尽管：

5层网络（包括输出层），分别有200/10/60/30/10个神经元 网络不学习了吗？尽管学习率为 0.1（我相信这相当高）

完整代码：https://github.com/vibhorj/tf> mnist-2.py

1) 下面是定义层的方式：

K,L,M,N=200,100,60,30
""" Layer 1 """
with tf.name_scope('L1'):
    w1 = tf.Variable(initial_value = tf.truncated_normal([28*28,K],mean=0,stddev=0.1), name = 'w1')
    b1 = tf.Variable(initial_value = tf.truncated_normal([K],mean=0,stddev=0.1), name = 'b1')
""" Layer 2 """
with tf.name_scope('L2'):
    w2 = tf.Variable(initial_value =tf.truncated_normal([K,L],mean=0,stddev=0.1), name = 'w2')
    b2 = tf.Variable(initial_value = tf.truncated_normal([L],mean=0,stddev=0.1), name = 'b2')
""" Layer 3 """
with tf.name_scope('L3'):
    w3 = tf.Variable(initial_value = tf.truncated_normal([L,M],mean=0,stddev=0.1), name = 'w3')
    b3 = tf.Variable(initial_value = tf.truncated_normal([M],mean=0,stddev=0.1), name = 'b3')
""" Layer 4 """
with tf.name_scope('L4'):
    w4 = tf.Variable(initial_value = tf.truncated_normal([M,N],mean=0,stddev=0.1), name = 'w4')
    b4 = tf.Variable(initial_value = tf.truncated_normal([N],mean=0,stddev=0.1), name = 'b4')
""" Layer output """
with tf.name_scope('L_out'):
    w_out = tf.Variable(initial_value = tf.truncated_normal([N,10],mean=0,stddev=0.1), name = 'w_out')
    b_out = tf.Variable(initial_value = tf.truncated_normal([10],mean=0,stddev=0.1), name = 'b_out')

2) 损失函数

Y1 = tf.nn.sigmoid(tf.add(tf.matmul(X,w1),b1), name='Y1')
Y2 = tf.nn.sigmoid(tf.add(tf.matmul(Y1,w2),b2), name='Y2')
Y3 = tf.nn.sigmoid(tf.add(tf.matmul(Y2,w3),b3), name='Y3')
Y4 = tf.nn.sigmoid(tf.add(tf.matmul(Y3,w4),b4), name='Y4')

Y_pred_logits = tf.add(tf.matmul(Y4, w_out),b_out,name='logits')
Y_pred_prob = tf.nn.softmax(Y_pred_logits, name='probs')

error = -tf.matmul(Y
              , tf.reshape(tf.log(Y_pred_prob),[10,-1]), name ='err')
loss = tf.reduce_mean(error, name = 'loss')

3) 优化函数

opt = tf.train.GradientDescentOptimizer(0.1)
grads_and_vars = opt.compute_gradients(loss)
ctr = tf.Variable(0.0, name='ctr')
z = opt.apply_gradients(grads_and_vars, global_step=ctr)  

4）张量板代码：

evt_file = tf.summary.FileWriter('/Users/vibhorj/python/-tf/g_mnist')
evt_file.add_graph(tf.get_default_graph())

s1 = tf.summary.scalar(name='accuracy', tensor=accuracy)
s2 = tf.summary.scalar(name='loss', tensor=loss)
m1 = tf.summary.merge([s1,s2])

5) 运行会话（测试数据为 mnist.test.images & mnist.test.labels

with tf.Session() as sess:
    sess.run(tf.variables_initializer(tf.global_variables()))
    for i in range(300):
       """ calc. accuracy on test data - TENSORBOARD before iteration beings """
       summary = sess.run(m1, feed_dict=test_data)
       evt_file.add_summary(summary, sess.run(ctr))
       evt_file.flush()

       """ fetch train data """        
       a_train, b_train = mnist.train.next_batch(batch_size=100)
       train_data = X: a_train , Y: b_train

       """ train """
       sess.run(z, feed_dict = train_data)

感谢您抽出宝贵时间提供有关它的任何见解。我完全不知道如何继续进行（甚至尝试使用 random_normal 初始化 w & b，使用学习率 [0.1,0.01, 0.001]）

干杯！

【问题讨论】：

您是否有一个 Gist 或公共 repo，我们可以通过检查来找到问题？我进行了快速回顾，但在此页面上浏览此类代码非常耗时。到目前为止的评论：也许是名称范围的东西。

非常感谢您的关注！ github.com/vibhorj/tf > mnist-2.py

基本问题：(1) 您的架构与经典的 MNIST 解决方案相比如何？ (2) 是否有类似的、更广泛的拓扑结构可以很好地训练？例如，如果将第二层从 10 个神经元更改为 30 个神经元，会发生什么？这些检查将有助于缩小问题范围（消除拓扑问题）。

TF 和 MNiST 有公开的例子，请阅读文档

【参考方案1】：

请考虑

将偏差初始化为零 使用 ReLU 单元代替 sigmoid - 避免饱和 使用 Adam 优化器 - 更快的学习

我觉得你的网络很大。您可以使用较小的网络。

K,L,M,N=200,100,60,30
""" Layer 1 """
with tf.name_scope('L1'):
    w1 = tf.Variable(initial_value = tf.truncated_normal([28*28,K],mean=0,stddev=0.1), name = 'w1')
    b1 = tf.zeros([K])#tf.Variable(initial_value = tf.truncated_normal([K],mean=0,stddev=0.01), name = 'b1')
""" Layer 2 """
with tf.name_scope('L2'):
    w2 = tf.Variable(initial_value =tf.truncated_normal([K,L],mean=0,stddev=0.1), name = 'w2')
    b2 = tf.zeros([L])#tf.Variable(initial_value = tf.truncated_normal([L],mean=0,stddev=0.01), name = 'b2')
""" Layer 3 """
with tf.name_scope('L3'):
    w3 = tf.Variable(initial_value = tf.truncated_normal([L,M],mean=0,stddev=0.1), name = 'w3')
    b3 = tf.zeros([M]) #tf.Variable(initial_value = tf.truncated_normal([M],mean=0,stddev=0.01), name = 'b3')
""" Layer 4 """
with tf.name_scope('L4'):
    w4 = tf.Variable(initial_value = tf.truncated_normal([M,N],mean=0,stddev=0.1), name = 'w4')
    b4 = tf.zeros([N])#tf.Variable(initial_value = tf.truncated_normal([N],mean=0,stddev=0.1), name = 'b4')
""" Layer output """
with tf.name_scope('L_out'):
    w_out = tf.Variable(initial_value = tf.truncated_normal([N,10],mean=0,stddev=0.1), name = 'w_out')
    b_out = tf.zeros([10])#tf.Variable(initial_value = tf.truncated_normal([10],mean=0,stddev=0.1), name = 'b_out')


Y1 = tf.nn.relu(tf.add(tf.matmul(X,w1),b1), name='Y1')
Y2 = tf.nn.relu(tf.add(tf.matmul(Y1,w2),b2), name='Y2')
Y3 = tf.nn.relu(tf.add(tf.matmul(Y2,w3),b3), name='Y3')
Y4 = tf.nn.relu(tf.add(tf.matmul(Y3,w4),b4), name='Y4')

Y_pred_logits = tf.add(tf.matmul(Y4, w_out),b_out,name='logits')

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=Y, logits=Y_pred_logits, name='xentropy'))
opt = tf.train.GradientDescentOptimizer(0.01)
grads_and_vars = opt.compute_gradients(loss)
ctr = tf.Variable(0.0, name='ctr', trainable=False)
train_op = opt.minimize(loss, global_step=ctr)

for v in tf.trainable_variables():
  print v.op.name

with tf.Session() as sess:
    sess.run(tf.variables_initializer(tf.global_variables()))
    for i in range(3000):
       """ calc. accuracy on test data - TENSORBOARD before iteration beings """
       #summary = sess.run(m1, feed_dict=test_data)
       #evt_file.add_summary(summary, sess.run(ctr))
       #evt_file.flush()

       """ fetch train data """
       a_train, b_train = mnist.train.next_batch(batch_size=100)
       train_data = X: a_train , Y: b_train

       """ train """
       l = sess.run(loss, feed_dict = train_data)
       print l
       sess.run(train_op, feed_dict = train_data)

【讨论】：

非常感谢分享小费。在 1) 将偏差初始化为 0 之后，2) 激活 RELU 除了输出层损失为 nan 并且准确度没有变化（9.79%）。甚至将学习率降低到 0.00001

你能分享你最新的代码吗？我可以看到我上面发布的代码的损失正在下降。

给你github.com/vibhorj/tf/blob/master/so-changes/mnist-2-so.py 非常感谢！有趣的是，代码看起来非常相似，但你并没有想到损失会下降。可能是因为我没有使用内置函数 tf.nn.softmax_cross_entropy_with_logits() 进行损失计算吗？

请问您为什么建议将偏差初始化为 0？它有什么含义..大多数人说使用随机值进行初始化..

这是惯例。对于 relu 单元，一个小的正值可能是好的，因为它可以确保梯度最初流动。