在tensorflow中实现MLP

Question

我想使用tensorflow实现在https://www.coursera.org/learn/machine-learning中教授的MLP模型。这是实现。

# one hidden layer MLP

x = tf.placeholder(tf.float32, shape=[None, 784])
y = tf.placeholder(tf.float32, shape=[None, 10])

W_h1 = tf.Variable(tf.random_normal([784, 512]))
h1 = tf.nn.sigmoid(tf.matmul(x, W_h1))

W_out = tf.Variable(tf.random_normal([512, 10]))
y_ = tf.matmul(h1, W_out)

# cross_entropy = tf.nn.sigmoid_cross_entropy_with_logits(y_, y)
cross_entropy = tf.reduce_sum(- y * tf.log(y_) - (1 - y) * tf.log(1 - y_), 1)
loss = tf.reduce_mean(cross_entropy)
train_step = tf.train.GradientDescentOptimizer(0.05).minimize(loss)

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# train
with tf.Session() as s:
    s.run(tf.initialize_all_variables())

    for i in range(10000):
        batch_x, batch_y = mnist.train.next_batch(100)
        s.run(train_step, feed_dict={x: batch_x, y: batch_y})

        if i % 100 == 0:
            train_accuracy = accuracy.eval(feed_dict={x: batch_x, y: batch_y})
            print('step {0}, training accuracy {1}'.format(i, train_accuracy))

但是，它不起作用。我认为这些层的定义是正确的，但问题在cross_entropy中。如果我使用第一个，一个被注释掉，模型很快就会收敛；但是如果我使用第二个，我认为/希望是前一个方程的转换，模型就不会收敛。

如果您想查看成本公式，您可以在here找到它。

更新

我已经使用numpy和scipy实现了同样的MLP模型，而且它可以工作。

在tensorflow代码中，我在训练循环中添加了一条打印行，我发现y_中的所有元素都是nan...I，认为它是由算术溢出或类似的东西引起的。

Answer 1

这很可能是0*log(0)问题。

顶替

cross_entropy = tf.reduce_sum(- y * tf.log(y_) - (1 - y) * tf.log(1 - y_), 1)

使用

cross_entropy = tf.reduce_sum(- y * tf.log(tf.clip_by_value(y_, 1e-10, 1.0)) - (1 - y) * tf.log(tf.clip_by_value(1 - y_, 1e-10, 1.0)), 1)

请看Tensorflow NaN bug?。

Answer 2

我认为问题在于，nn.sigmoid_cross_entropy_with_logits期望得到未规范化的结果，在这个函数中，您可以用cross_entropy = tf.reduce_sum(- y * tf.log(y_) - (1 - y) * tf.log(1 - y_), 1)替换它。

期望y_在0到1之间(由乙状结肠)标准化

试着替换

y_ = tf.matmul(h1, W_out)

使用

y_ = tf.nn.sigmoid(tf.matmul(h1, W_out))