記錄訓(xùn)練過(guò)程中的每一步的loss變化

 if verbose and step % verbose == 0:
 sys.stdout.write('\r{} / {} : loss = {}'.format(
  step, total_steps, np.mean(total_loss)))
 sys.stdout.flush()
 if verbose:
 sys.stdout.write('\r') 
 sys.stdout.flush() 

一般我們?cè)谟?xùn)練神經(jīng)網(wǎng)絡(luò)模型的時(shí)候，都是每隔多少步，輸出打印一下loss或者每一步打印一下loss，今天發(fā)現(xiàn)了另一種記錄loss變化的方法，就是用

sys.stdout.write('\r{} / {} : loss = {}')

如圖上的代碼，可以記錄每一個(gè)在每個(gè)epoch中記錄用一行輸出就可以記錄每個(gè)step的loss值變化，

\r就是輸出不會(huì)換行，因此如果你想同一樣輸出多次，在需要輸出的字符串對(duì)象里面加上"\r",就可以回到行首了。

sys.stdout.flush() #一秒輸出了一個(gè)數(shù)字

具體的實(shí)現(xiàn)就是下面的圖：

這樣在每個(gè)epoch中也可以觀察loss變化，但是只需要打印一行，而不是每一行都輸出。

補(bǔ)充知識(shí)：訓(xùn)練模型中損失（loss）異常分析

前言

訓(xùn)練模型過(guò)程中隨時(shí)都要注意目標(biāo)函數(shù)值(loss)的大小變化。一個(gè)正常的模型loss應(yīng)該隨訓(xùn)練輪數(shù)（epoch）的增加而緩慢下降，然后趨于穩(wěn)定。雖然在模型訓(xùn)練的初始階段，loss有可能會(huì)出現(xiàn)大幅度震蕩變化，但是只要數(shù)據(jù)量充分，模型正確，訓(xùn)練的輪數(shù)足夠長(zhǎng)，模型最終會(huì)達(dá)到收斂狀態(tài)，接近最優(yōu)值或者找到了某個(gè)局部最優(yōu)值。在模型實(shí)際訓(xùn)練過(guò)程中，可能會(huì)得到一些異常loss值，如loss等于nan；loss值忽大忽小，不收斂等。

下面根據(jù)自己使用Pythorh訓(xùn)練模型的經(jīng)驗(yàn)，分析出一些具體原因和給出對(duì)應(yīng)的解決辦法。

一、輸入數(shù)據(jù)

1. 數(shù)據(jù)的預(yù)處理

輸入到模型的數(shù)據(jù)一般都是經(jīng)過(guò)了預(yù)處理的，如用pandas先進(jìn)行數(shù)據(jù)處理，尤其要注意空值，缺失值，異常值。

缺失值：數(shù)值類型（NaN），對(duì)象類型（None, NaN），時(shí)間類型（NaT）

空值：""

異常值：不再正常區(qū)間范圍的值

例如對(duì)缺失值可以進(jìn)行判斷df.isnull()或者df.isna()；丟棄df.dropna()；填充df.fillna()等操作。

輸入到模型中的數(shù)據(jù)一般而言都是數(shù)值類型的值，一定要保證不能出現(xiàn)NaN, numpy中的nan是一種特殊的float,該值數(shù)值運(yùn)算的結(jié)果是不正常的，所以可能會(huì)導(dǎo)致loss值等于nan。可以用numpy.any(numpy.isnan(x))檢查一下input和target。

2. 數(shù)據(jù)的讀寫

例如使用Pandas讀取.csv類型的數(shù)據(jù)得到的DataFrame會(huì)添加默認(rèn)的index,再寫回到磁盤會(huì)多一列。如果用其他讀取方式再讀入，可能會(huì)導(dǎo)致數(shù)據(jù)有問(wèn)題，讀取到NaN。

import pandas as pd
 
Output = pd.read_csv('./data/diabetes/Output.csv')
trainOutput, testOutput = Output[:6000], Output[6000:]
trainOutput.to_csv('./data/diabetes/trainOutput.csv')
testOutput.to_csv('./data/diabetes/testOutput.csv')

3. 數(shù)據(jù)的格式

Pythorch中的 torch.utils.data.Dataset 類是一個(gè)表示數(shù)據(jù)集的抽象類。自己數(shù)據(jù)集的類應(yīng)該繼承自 Dataset 并且重寫__len__方法和__getitem__方法:

__len__ ： len(dataset) 返回?cái)?shù)據(jù)集的大小

__getitem__ ：用以支持索引操作， dataset[idx]能夠返回第idx個(gè)樣本數(shù)據(jù)

然后使用torch.utils.data.DataLoader 這個(gè)迭代器(iterator)來(lái)遍歷所有的特征。具體可以參見(jiàn)這里

在構(gòu)造自己Dataset類時(shí)，需要注意返回的數(shù)據(jù)格式和類型，一般不會(huì)出現(xiàn)NaN的情況但是可能會(huì)導(dǎo)致數(shù)據(jù)float, int, long這幾種類型的不兼容，注意轉(zhuǎn)換。

二、學(xué)習(xí)率

基于梯度下降的優(yōu)化方法，當(dāng)學(xué)習(xí)率太高時(shí)會(huì)導(dǎo)致loss值不收斂，太低則下降緩慢。需要對(duì)學(xué)習(xí)率等超參數(shù)進(jìn)行調(diào)參如使用網(wǎng)格搜索，隨機(jī)搜索等。

三、除零錯(cuò)

對(duì)于回歸問(wèn)題，可能出現(xiàn)了除0 的計(jì)算，加一個(gè)很小的余項(xiàng)可能可以解決。類似于計(jì)算概率時(shí)進(jìn)行的平滑修正，下面的代碼片段中l(wèi)oss使用交叉混合熵（CossEntropy），計(jì)算3分類問(wèn)題的AUC值，為了避免概率計(jì)算出現(xiàn)ＮaN而采取了相應(yīng)的平滑處理。

from sklearn.metrics import roc_auc_score
 
model_ft, y_true, losslists = test_model(model_ft, criterion, optimizer)
n_class = 3
y_one_hot = np.eye(n_class)[y_true.reshape(-1)]
# solve divide zero errot
eps = 0.0000001
y_scores = losslists / (losslists.sum(axis=1, keepdims=True)+eps)
#print(y_scores)
#print(np.isnan(y_scores))
"""
metrics.roc_auc_score(y_one_hot, y_pred)
"""
print("auc: ")
roc_auc_score(y_one_hot, y_scores)

四、loss函數(shù)

loss函數(shù)代碼編寫不正確或者已經(jīng)編寫好的loss函數(shù)API使用不清楚

五、某些易錯(cuò)代碼

Pytorch在進(jìn)行自動(dòng)微分的時(shí)候，默認(rèn)梯度是會(huì)累加的，所以需要在每個(gè)epoch的每個(gè)batch中對(duì)梯度清零，否則可能會(huì)導(dǎo)致loss值不收斂。不要忘記添加如下代碼

optimizer.zero_grad()

以上這篇記錄模型訓(xùn)練時(shí)loss值的變化情況就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論