为啥 TensorFlow 返回 [[nan nan]] 而不是 CSV 文件中的概率？

Posted 2023-02-23

【中文标题】为啥 TensorFlow 返回 [[nan nan]] 而不是 CSV 文件中的概率？

【英文标题】：Why does TensorFlow return [[nan nan]] instead of probabilities from a CSV file?为什么 TensorFlow 返回 [[nan nan]] 而不是 CSV 文件中的概率？

【发布时间】：2016-02-28 14:56:27

【问题描述】：

这是我正在使用的代码。我正在尝试将 1、0 或希望的概率作为真实测试集的结果。当我只是拆分训练集并在训练集上运行它时，我得到了大约 93% 的准确率，但是当我训练程序并在实际测试集上运行它时（没有 1 和 0 填充的第 1 列) 它只返回 nan 的。

import tensorflow as tf
import numpy as np
from numpy import genfromtxt
import sklearn

# Convert to one hot
def convertOneHot(data):
    y=np.array([int(i[0]) for i in data])
    y_onehot=[0]*len(y)
    for i,j in enumerate(y):
        y_onehot[i]=[0]*(y.max() + 1)
        y_onehot[i][j]=1
    return (y,y_onehot)


data = genfromtxt('cs-training.csv',delimiter=',')  # Training data
test_data = genfromtxt('cs-test-actual.csv',delimiter=',')  # Actual test data

#This part is to get rid of the nan's at the start of the actual test data
g = 0
for i in test_data:
    i[0] = 1
    test_data[g] = i
    g += 1

x_train=np.array([ i[1::] for i in data])
y_train,y_train_onehot = convertOneHot(data)

x_test=np.array([ i[1::] for i in test_data])
y_test,y_test_onehot = convertOneHot(test_data)
A=data.shape[1]-1 # Number of features, Note first is y
B=len(y_train_onehot[0])
tf_in = tf.placeholder("float", [None, A]) # Features
tf_weight = tf.Variable(tf.zeros([A,B]))
tf_bias = tf.Variable(tf.zeros([B]))
tf_softmax = tf.nn.softmax(tf.matmul(tf_in,tf_weight) + tf_bias)

# Training via backpropagation
tf_softmax_correct = tf.placeholder("float", [None,B])
tf_cross_entropy = -tf.reduce_sum(tf_softmax_correct*tf.log(tf_softmax))

# Train using tf.train.GradientDescentOptimizer
tf_train_step = tf.train.GradientDescentOptimizer(0.01).minimize(tf_cross_entropy)

# Add accuracy checking nodes
tf_correct_prediction = tf.equal(tf.argmax(tf_softmax,1), tf.argmax(tf_softmax_correct,1))
tf_accuracy = tf.reduce_mean(tf.cast(tf_correct_prediction, "float"))

saver = tf.train.Saver([tf_weight,tf_bias])

# Initialize and run
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

print("...")
# Run the training
for i in range(1):
    sess.run(tf_train_step, feed_dict=tf_in: x_train, tf_softmax_correct: y_train_onehot)
    #print y_train_onehot
    saver.save(sess, 'trained_csv_model')

    ans = sess.run(tf_softmax, feed_dict=tf_in: x_test)
    print ans

#Print accuracy
    #result = sess.run(tf_accuracy, feed_dict=tf_in: x_test, tf_softmax_correct: y_test_onehot)
#print result

当我打印 ans 时，我得到以下信息。

[[ nan  nan]
 [ nan  nan]
 [ nan  nan]
 ..., 
 [ nan  nan]
 [ nan  nan]
 [ nan  nan]]

我不知道我在这里做错了什么。我想要的只是让ans 产生一个 1、0 或特别是一个概率数组，其中数组中的每个单元的长度为 2。

我不希望有很多人能够为我回答这个问题，但请至少尝试一下。我被困在这里等待天才时刻的到来，现在两天还没有出现，所以我想我会问。谢谢！

test_data 看起来像这样-

[[  1.00000000e+00   8.85519080e-01   4.30000000e+01 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]
 [  1.00000000e+00   4.63295269e-01   5.70000000e+01 ...,   4.00000000e+00
0.00000000e+00   2.00000000e+00]
 [  1.00000000e+00   4.32750360e-02   5.90000000e+01 ...,   1.00000000e+00
0.00000000e+00   2.00000000e+00]
 ..., 
 [  1.00000000e+00   8.15963730e-02   7.00000000e+01 ...,   0.00000000e+00
0.00000000e+00              nan]
 [  1.00000000e+00   3.35456547e-01   5.60000000e+01 ...,   2.00000000e+00
1.00000000e+00   3.00000000e+00]
 [  1.00000000e+00   4.41841663e-01   2.90000000e+01 ...,   0.00000000e+00
0.00000000e+00   0.00000000e+00]]

数据中第一个单位等于 1 的唯一原因是因为我去掉了填充该位置的 nan 以避免错误。请注意，第一列之后的所有内容都是特征。第一列是我试图预测的。

编辑：

我将代码更改为以下-

import tensorflow as tf
import numpy as np
from numpy import genfromtxt
import sklearn
from sklearn.cross_validation import train_test_split
from tensorflow import Print

# Convert to one hot
def convertOneHot(data):
    y=np.array([int(i[0]) for i in data])
    y_onehot=[0]*len(y)
    for i,j in enumerate(y):
        y_onehot[i]=[0]*(y.max() + 1)
        y_onehot[i][j]=1
    return (y,y_onehot)


#buildDataFromIris()


data = genfromtxt('cs-training.csv',delimiter=',')  # Training data
test_data = genfromtxt('cs-test-actual.csv',delimiter=',')  # Test data

#for i in test_data[0]:
#    print i
#print test_data

#print test_data
g = 0
for i in test_data:
    i[0] = 1.
    test_data[g] = i
    g += 1

#print 1, test_data

x_train=np.array([ i[1::] for i in data])
y_train,y_train_onehot = convertOneHot(data)
#print len(x_train), len(y_train), len(y_train_onehot)

x_test=np.array([ i[1::] for i in test_data])
y_test,y_test_onehot = convertOneHot(test_data)
#for u in y_test_onehot[0]:
#    print u
#print y_test_onehot
#print len(x_test), len(y_test), len(y_test_onehot)
#print x_test[0]

#print '1'

#  A number of features, 4 in this example
#  B = 3 species of Iris (setosa, virginica and versicolor)
A=data.shape[1]-1 # Number of features, Note first is y
#print A
B=len(y_train_onehot[0])
#print B
#print y_train_onehot
tf_in = tf.placeholder("float", [None, A]) # Features
tf_weight = tf.Variable(tf.zeros([A,B]))
tf_bias = tf.Variable(tf.zeros([B]))
tf_softmax = tf.nn.softmax(tf.matmul(tf_in,tf_weight) + tf_bias)

tf_bias = tf.Print(tf_bias, [tf_bias], "Bias: ")
tf_weight = tf.Print(tf_weight, [tf_weight], "Weight: ")
tf_in = tf.Print(tf_in, [tf_in], "TF_in: ")
matmul_result = tf.matmul(tf_in, tf_weight)
matmul_result = tf.Print(matmul_result, [matmul_result], "Matmul: ")
tf_softmax = tf.nn.softmax(matmul_result + tf_bias)
print tf_bias
print tf_weight
print tf_in
print matmul_result

# Training via backpropagation
tf_softmax_correct = tf.placeholder("float", [None,B])
tf_cross_entropy = -tf.reduce_sum(tf_softmax_correct*tf.log(tf_softmax))

print tf_softmax_correct

# Train using tf.train.GradientDescentOptimizer
tf_train_step = tf.train.GradientDescentOptimizer(0.01).minimize(tf_cross_entropy)

# Add accuracy checking nodes
tf_correct_prediction = tf.equal(tf.argmax(tf_softmax,1), tf.argmax(tf_softmax_correct,1))
tf_accuracy = tf.reduce_mean(tf.cast(tf_correct_prediction, "float"))

print tf_correct_prediction
print tf_accuracy

#saver = tf.train.Saver([tf_weight,tf_bias])

# Initialize and run
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

print("...")
prediction = []
# Run the training
#probabilities = []
#print y_train_onehot
#print '-----------------------------------------'
for i in range(1):
    sess.run(tf_train_step, feed_dict=tf_in: x_train, tf_softmax_correct: y_train_onehot)
    #print y_train_onehot
    #saver.save(sess, 'trained_csv_model')

    ans = sess.run(tf_softmax, feed_dict=tf_in: x_test)
    print ans

打印出来后，我看到其中一个对象是布尔值。我不知道这是否是问题，但请查看以下内容，看看是否有任何方法可以提供帮助。

Tensor("Print_16:0", shape=TensorShape([Dimension(2)]), dtype=float32)
Tensor("Print_17:0", shape=TensorShape([Dimension(10), Dimension(2)]), dtype=float32)
Tensor("Print_18:0", shape=TensorShape([Dimension(None), Dimension(10)]), dtype=float32)
Tensor("Print_19:0", shape=TensorShape([Dimension(None), Dimension(2)]), dtype=float32)
Tensor("Placeholder_9:0", shape=TensorShape([Dimension(None), Dimension(2)]), dtype=float32)
Tensor("Equal_4:0", shape=TensorShape([Dimension(None)]), dtype=bool)
Tensor("Mean_4:0", shape=TensorShape([]), dtype=float32)
...
[[ nan  nan]
 [ nan  nan]
 [ nan  nan]
 ..., 
 [ nan  nan]
 [ nan  nan]
 [ nan  nan]]

【参考方案1】：

我不知道直接答案，但我知道如何调试它：tf.Print。它是一个在执行 tensorflow 时打印值的操作，并返回张量以供进一步计算，因此您可以将它们内嵌在模型中。

尝试加入其中的一些。而不是这一行：

tf_softmax = tf.nn.softmax(tf.matmul(tf_in,tf_weight) + tf_bias)

试试：

tf_bias = tf.Print(tf_bias, [tf_bias], "Bias: ")
tf_weight = tf.Print(tf_weight, [tf_weight], "Weight: ")
tf_in = tf.Print(tf_in, [tf_in], "TF_in: ")
matmul_result = tf.matmul(tf_in, tf_weight)
matmul_result = tf.Print(matmul_result, [matmul_result], "Matmul: ")
tf_softmax = tf.nn.softmax(matmul_result + tf_bias)

看看 Tensorflow 认为中间值是什么。如果 NaN 在管道中较早出现，它应该让您更好地了解问题所在。祝你好运！如果您从中获得了一些数据，请随时跟进，我们会看看我们是否可以为您提供更多信息。

更新添加：这是一个精简的调试版本，我去掉了输入函数，只生成了一些随机数据：

import tensorflow as tf
import numpy as np

def dense_to_one_hot(labels_dense, num_classes=10):
  """Convert class labels from scalars to one-hot vectors."""
  num_labels = labels_dense.shape[0]
  index_offset = np.arange(num_labels) * num_classes
  labels_one_hot = np.zeros((num_labels, num_classes))
  labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
  return labels_one_hot

x_train=np.random.normal(0, 1, [50,10])
y_train=np.random.randint(0, 10, [50])
y_train_onehot = dense_to_one_hot(y_train, 10)

x_test=np.random.normal(0, 1, [50,10])
y_test=np.random.randint(0, 10, [50])
y_test_onehot = dense_to_one_hot(y_test, 10)

#  A number of features, 4 in this example
#  B = 3 species of Iris (setosa, virginica and versicolor)

A=10
B=10
tf_in = tf.placeholder("float", [None, A]) # Features
tf_weight = tf.Variable(tf.zeros([A,B]))
tf_bias = tf.Variable(tf.zeros([B]))
tf_softmax = tf.nn.softmax(tf.matmul(tf_in,tf_weight) + tf_bias)

tf_bias = tf.Print(tf_bias, [tf_bias], "Bias: ")
tf_weight = tf.Print(tf_weight, [tf_weight], "Weight: ")
tf_in = tf.Print(tf_in, [tf_in], "TF_in: ")
matmul_result = tf.matmul(tf_in, tf_weight)
matmul_result = tf.Print(matmul_result, [matmul_result], "Matmul: ")
tf_softmax = tf.nn.softmax(matmul_result + tf_bias)

# Training via backpropagation
tf_softmax_correct = tf.placeholder("float", [None,B])
tf_cross_entropy = -tf.reduce_sum(tf_softmax_correct*tf.log(tf_softmax))

# Train using tf.train.GradientDescentOptimizer
tf_train_step = tf.train.GradientDescentOptimizer(0.01).minimize(tf_cross_entropy)

# Add accuracy checking nodes
tf_correct_prediction = tf.equal(tf.argmax(tf_softmax,1), tf.argmax(tf_softmax_correct,1))
tf_accuracy = tf.reduce_mean(tf.cast(tf_correct_prediction, "float"))

print tf_correct_prediction
print tf_accuracy

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(1):
    print "Running the training step"
    sess.run(tf_train_step, feed_dict=tf_in: x_train, tf_softmax_correct: y_train_onehot)
    #print y_train_onehot
    #saver.save(sess, 'trained_csv_model')

    print "Running the eval step"
    ans = sess.run(tf_softmax, feed_dict=tf_in: x_test)
    print ans

您应该会看到以“Bias:”等开头的行。

【讨论】：

首先，我要感谢您尝试帮助我解决这个问题。我正在尝试调试代码并找出数字更改为 NaN 的位置，但我仍然找不到它。我试过你的 tf.Print ，它没有产生任何输出；只是相同的 NaN 数组。

请检查我对 OP 中的代码所做的最新编辑。那里有一个布尔值，我不知道这是否是代码出错的地方。如果是，也许您可​​以提出解决方法。

您没有按照我建议的顺序放置照片。您需要将它们交错：在定义 tf_bias 之后，立即重新分配 tf_bias = tf.Print(tf_bias, [tf_bias], "Bias: ")。打印运算符仅在数据流过它时执行。具体来说，您需要在 matmul 之前进行这些重新分配，因为那是数据要去的地方...

您在编辑 2 中显示的输出来自 'print '，而不是来自 tf.Print 操作。你能显示 tf.Print 的输出吗？在 python 中打印 tf 张量只会得到像 Tensor("Print_16:0", shape=TensorShape([Dimension(2)]), dtype=float32) 这样的输出，但这并不能告诉你张量中有什么。 tf.Print 将在执行时向您显示 runtime 值，您应该能够在此处发现 NaN。

tf.Print 不会产生任何输出。我尝试添加sess.run(tf_in)，即使在我定义sess = tf.Session() 之后我也会收到错误消息。我还尝试了print sess.run(tf_in)，它也提供了一个错误。我尝试了简单的tf.Print(<foo>)，但仍然没有输出。

【参考方案2】：

tf_cross_entropy = -tf.reduce_sum(tf_softmax_correct*tf.log(tf_softmax))

这是我正在测试的项目中遇到的问题。具体来说，它最终是 0*log(0) 产生 nan。

如果您将其替换为：

tf_cross_entropy = -tf.reduce_sum(tf_softmax_correct*tf.log(tf_softmax + 1e-50)) 它应该避免这个问题。

我也使用了 reduce_mean 而不是 reduce_sum。如果您将批量大小加倍并使用 reduce_sum，它将使成本（以及梯度的大小）加倍。除此之外，当使用 tf.print （打印到控制台 tensorfow 开始时）时，它使得它在改变批量大小时更具可比性。

具体来说这是我现在调试时使用的：

cross_entropy = -tf.reduce_sum(y*tf.log(model + 1e-50)) ## avoid nan due to 0*log(0) cross_entropy = tf.Print(cross_entropy, [cross_entropy], "cost") #print to the console tensorflow was started from

【讨论】：

啊，现在我明白为什么 tf.Print 对我没有用了。我一直在使用 IPython Notebook。谢谢你的回答。我会支持它，但问题已经解决了。如果你和我一样认为这样可以解决问题，那么我会点击勾选。

对于这些极端情况，tf.softmax_cross_entropy_with_logits 损失函数似乎更加稳健：***.com/questions/34240703/…