Tensorflow損失在我的RNN中發散

我試圖通過解決這個挑戰來讓我的手溼潤Tensorflow：https://www.kaggle.com/c/integer-sequence-learning。Tensorflow損失在我的RNN中發散

我的工作是基於這些博客文章：

一個完整的工作的例子 - 我的數據 - 可以在這裏找到：https://github.com/bottiger/Integer-Sequence-Learning運行示例將打印出了很多調試信息。運行execute rnn-lstm-my.py。（需要張量流和熊貓）

該方法非常簡單。我加載了所有的火車序列，將它們的長度存儲在一個向量中，並將最長的長度存儲在一個變量中，我稱之爲''max_length''。

在我的訓練數據I剝離出的最後一個元素中的所有的序列，並將其存儲在一個所謂的載體「train_solutions」

的I存儲所有的序列，用零填充，在具有形狀的矩陣： [n_seq，max_length]。

由於我想預測序列中的下一個數字，我的輸出應該是單個數字，我的輸入應該是一個序列。

我使用一個RNN（tf.nn.rnn）與一個BasicLSTMCell作爲單元格，帶有24個隱藏單元。輸出被輸入一個基本的線性模型（xW + B），這應該能夠產生我的預測。

我的成本函數就是我的模型的預測數，我計算成本是這樣的：

cost = tf.nn.l2_loss(tf_result - prediction)

的基本尺寸似乎是正確的，因爲代碼實際運行。然而，經過一次或兩次迭代後，一些NaN開始出現並迅速傳播，一切都變成了NaN。

這裏是定義和運行圖形的代碼的重要部分。但是，我已經忽略了加載/準備數據的過程。請看git回購的細節 - 但我很確定這部分是正確的。

cell = tf.nn.rnn_cell.BasicLSTMCell(num_hidden, state_is_tuple=True) 

num_inputs = tf.placeholder(tf.int32, name='NumInputs') 
seq_length = tf.placeholder(tf.int32, shape=[batch_size], name='NumInputs') 

# Define the input as a list (num elements = batch_size) of sequences 
inputs = [tf.placeholder(tf.float32,shape=[1, max_length], name='InputData') for _ in range(batch_size)] 

# Result should be 1xbatch_szie vector 
result = tf.placeholder(tf.float32, shape=[batch_size, 1], name='OutputData') 

tf_seq_length = tf.Print(seq_length, [seq_length, seq_length.get_shape()], 'SequenceLength: ') 

outputs, states = tf.nn.rnn(cell, inputs, dtype=tf.float32) 

# Print the output. The NaN first shows up here 
outputs2 = tf.Print(outputs, [outputs], 'Last: ', name="Last", summarize=800) 

# Define the model 
tf_weight = tf.Variable(tf.truncated_normal([batch_size, num_hidden, frame_size]), name='Weight') 
tf_bias = tf.Variable(tf.constant(0.1, shape=[batch_size]), name='Bias') 

# Debug the model parameters 
weight = tf.Print(tf_weight, [tf_weight, tf_weight.get_shape()], "Weight: ") 
bias = tf.Print(tf_bias, [tf_bias, tf_bias.get_shape()], "bias: ") 

# More debug info 
print('bias: ', bias.get_shape()) 
print('weight: ', weight.get_shape()) 
print('targets ', result.get_shape()) 
print('RNN input ', type(inputs)) 
print('RNN input len()', len(inputs)) 
print('RNN input[0] ', inputs[0].get_shape()) 

# Calculate the prediction 
tf_prediction = tf.batch_matmul(outputs2, weight) + bias 
prediction = tf.Print(tf_prediction, [tf_prediction, tf_prediction.get_shape()], 'prediction: ') 

tf_result = result 

# Calculate the cost 
cost = tf.nn.l2_loss(tf_result - prediction) 

#optimizer = tf.train.AdamOptimizer() 
learning_rate = 0.05 
optimizer = tf.train.GradientDescentOptimizer(learning_rate) 


minimize = optimizer.minimize(cost) 

mistakes = tf.not_equal(tf.argmax(result, 1), tf.argmax(prediction, 1)) 
error = tf.reduce_mean(tf.cast(mistakes, tf.float32)) 

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

no_of_batches = int(len(train_input))/batch_size 
epoch = 1 

val_dict = get_input_dict(val_input, val_output, train_length, inputs, batch_size) 

for i in range(epoch): 
    ptr = 0 
    for j in range(no_of_batches): 

    print('eval w: ', weight.eval(session=sess)) 

    # inputs batch 
    t_i = train_input[ptr:ptr+batch_size] 

    # output batch 
    t_o = train_output[ptr:ptr+batch_size] 

    # sequence lengths 
    t_l = train_length[ptr:ptr+batch_size] 

    sess.run(minimize,feed_dict=get_input_dict(t_i, t_o, t_l, inputs, batch_size)) 

    ptr += batch_size 

    print("result: ", tf_result) 
    print("result len: ", tf_result.get_shape()) 
    print("prediction: ", prediction) 
    print("prediction len: ", prediction.get_shape()) 


    c_val = sess.run(error, feed_dict = val_dict) 
    print "Validation cost: {}, on Epoch {}".format(c_val,i) 


    print "Epoch ",str(i) 

print('test input: ', type(test_input)) 
print('test output: ', type(test_output)) 

incorrect = sess.run(error,get_input_dict(test_input, test_output, test_length, inputs, batch_size)) 

sess.close()

這裏是（它的第一行）它產生的輸出。你可以看到這一切成爲楠：http://pastebin.com/TnFFNFrr（我不能張貼在這裏，由於身體極限）

我第一次看到了陳楠在這裏：

我tensorflow /核心/粒/ logging_ops .cc：79] Last：[0 0.76159418 0 0 0 0 0 -0.76159418 0 -0.715159418 0 0 0 0.76159418 0.76159418 0 -0.76159418 0.76159418 0 0 0 0.76159418 0 0 0 nan nan nan nan 0 0 nan nan 1 0 nan 0 0.76159418 nan nan nan 1 0 nan 0 0。76159418在 -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in在在在在在在在在在在在在在在在在在在在在在 -in -in -in -in -in -in -in -in -in -in -in - -in的 -in -in -in -in -in -in -in -in -in -in的的的的的的的的的的-in在-in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in在在在在在在在在在在在 -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in -in - -in的的的的的的的的的的的的的的的的的]

的，我希望我做了我的問題清楚。在此先感謝

來源

2016-08-04 bottiger