1、Binary Cross Entropy

常用于二分類問題，當然也可以用于多分類問題，通常需要在網(wǎng)絡(luò)的最后一層添加sigmoid進行配合使用，其期望輸出值（target）需要進行one hot編碼，另外BCELoss還可以用于多分類問題Multi-label classification.

定義：

For brevity, let x = output, z = target. The binary cross entropy loss is
loss(x, z) = - sum_i (x[i] * log(z[i]) + (1 - x[i]) * log(1 - z[i]))

對應(yīng)的代碼為：

def binary_crossentropy(t,o):
return -(t*tf.log(o+eps) + (1.0-t)*tf.log(1.0-o+eps))

2、Categorical cross-entropy

p are the predictions, t are the targets, i denotes the data point and j denotes the class.

適用于多分類問題，并使用softmax作為輸出層的激活函數(shù)的情況。

補充知識：訓練GAN的一些小貼士

下面是我認識到自己犯過的一些錯誤，以及我從中學到的一些東西。所以，如果你是GANs的新手，并沒有看到在訓練方面取得很大的成功，也許看看以下幾個方面會有所幫助:

1、大卷積核和更多的濾波器

更大的卷積核覆蓋了前一層圖像中的更多像素，因此可以查看更多信息。5x5的核與CIFAR-10配合良好，在判別器中使用3x3核使判別器損耗迅速趨近于0。對于生成器，你希望在頂層的卷積層有更大的核，以保持某種平滑。在較低的層，我沒有看到改變內(nèi)核大小的任何主要影響。

濾波器的數(shù)量可以大量增加參數(shù)的數(shù)量，但通常需要更多的濾波器。我在幾乎所有的卷積層中都使用了128個濾波器。使用較少的濾波器，特別是在生成器中，使得最終生成的圖像過于模糊。因此，看起來更多的濾波器可以幫助捕獲額外的信息，最終為生成的圖像增加清晰度。

2、標簽翻轉(zhuǎn)(Generated=True, Real=False)

雖然一開始看起來很傻，但對我有用的一個主要技巧是更改標簽分配。

如果你使用的是Real Images = 1，而生成的圖像= 0，則使用另一種方法會有所幫助。正如我們將在后面看到的，這有助于在早期迭代中使用梯度流，并幫助使梯度流動。

3、使用有噪聲的標簽和軟標簽

這在訓練判別器時是非常重要的。硬標簽(1或0)幾乎扼殺了早期的所有學習，導致識別器非?？斓亟咏?損失。最后，我使用0到0.1之間的隨機數(shù)表示0標簽(真實圖像)，使用0.9到1.0之間的隨機數(shù)表示1標簽(生成的圖像)。在訓練生成器時不需要這樣做。

此外，增加一些噪音的訓練標簽也是有幫助的。對于輸入識別器的5%的圖像，標簽被隨機翻轉(zhuǎn)。比如真實的被標記為生成的，生成的被標記為真實的。

4、使用批歸一化是有用的，但是需要有其他的東西也是合適的

批歸一化無疑有助于最終的結(jié)果。添加批歸一化后，生成的圖像明顯更清晰。但是，如果你錯誤地設(shè)置了卷積核或濾波器，或者識別器的損失很快達到0，添加批歸一化可能并不能真正幫助恢復。

5、每次一個類別

為了更容易地訓練GANs，確保輸入數(shù)據(jù)具有相似的特征是很有用的。例如，與其在CIFAR-10的所有10個類中都訓練GAN，不如選擇一個類(例如，汽車或青蛙)并訓練GANs從該類生成圖像。DC-GAN的其他變體在學習生成多個類的圖像方面做得更好。例如，以類標簽為輸入，生成基于類標簽的圖像。但是，如果你從一個普通的DC-GAN開始，最好保持事情簡單。

6、查看梯度

如果可能的話，試著監(jiān)控梯度以及網(wǎng)絡(luò)中的損失。這些可以幫助你更好地了解訓練的進展，甚至可以幫助你在工作不順利的情況下進行調(diào)試。

理想情況下，生成器應(yīng)該在訓練的早期獲得較大的梯度，因為它需要學習如何生成真實的數(shù)據(jù)。另一方面，判別器并不總是在早期獲得較大的梯度，因為它可以很容易地區(qū)分真假圖像。一旦生成器得到足夠的訓練，判別器就很難分辨真假圖像。它會不斷出錯，并得到大的梯度。

以上這篇解決keras GAN訓練是loss不發(fā)生變化,accuracy一直為0.5的問題就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論