毕火炬：“模型权重不变”

Question

有人能帮我理解为什么权重没有更新吗？

    unet = Unet()
    optimizer = torch.optim.Adam(unet.parameters(), lr=0.001)
    loss_fn = torch.nn.MSELoss()
    input =  Variable(torch.randn(32, 1, 64, 64, 64 ), requires_grad=True)
    target = Variable(torch.randn(32, 1, 64, 64, 64), requires_grad=False)

    optimizer.zero_grad()
    y_pred = unet(input)
    y = target[: , : , 20:44, 20:44, 20:44]

    loss = loss_fn(y_pred, y)
    print(unet.conv1.weight.data[0][0]) # weights of the first layer in the unet
    loss.backward()
    optimizer.step()
    print(unet.conv1.weight.data[0][0]) # weights havent changed

该模型的定义如下：

class Unet(nn.Module):

def __init__(self):
  super(Unet, self).__init__()

  # Down hill1
  self.conv1 = nn.Conv3d(1, 2, kernel_size=3,  stride=1)
  self.conv2 = nn.Conv3d(2, 2, kernel_size=3,  stride=1)

  # Down hill2
  self.conv3 = nn.Conv3d(2, 4, kernel_size=3,  stride=1)
  self.conv4 = nn.Conv3d(4, 4, kernel_size=3,  stride=1)

  #bottom
  self.convbottom1 = nn.Conv3d(4, 8, kernel_size=3,  stride=1)
  self.convbottom2 = nn.Conv3d(8, 8, kernel_size=3,  stride=1)

  #up hill1
  self.upConv0 = nn.Conv3d(8, 4, kernel_size=3,  stride=1)
  self.upConv1 = nn.Conv3d(4, 4, kernel_size=3,  stride=1)
  self.upConv2 = nn.Conv3d(4, 2, kernel_size=3,  stride=1)

  #up hill2
  self.upConv3 = nn.Conv3d(2, 2, kernel_size=3, stride=1)
  self.upConv4 = nn.Conv3d(2, 1, kernel_size=1, stride=1)

  self.mp = nn.MaxPool3d(kernel_size=3, stride=2, padding=1)
  # some more irrelevant properties...

前向函数如下所示：

def forward(self, input):
    # Use U-net Theory to Update the filters.
    # Example Approach...
    input = F.relu(self.conv1(input))
    input = F.relu(self.conv2(input))

    input = self.mp(input)

    input = F.relu(self.conv3(input))
    input = F.relu(self.conv4(input))

    input = self.mp(input)

    input = F.relu(self.convbottom1(input))
    input = F.relu(self.convbottom2(input))

    input = F.interpolate(input, scale_factor=2, mode='trilinear')

    input = F.relu(self.upConv0(input))
    input = F.relu(self.upConv1(input))

    input = F.interpolate(input, scale_factor=2, mode='trilinear')


    input = F.relu(self.upConv2(input))
    input = F.relu(self.upConv3(input))

    input = F.relu(self.upConv4(input))

    return input

我遵循了我能找到的任何示例和文档的方法，这超出了我的范围，为什么它不起作用？

我可以知道，在向后调用之后，y_pred.grad是空的，这是不应该的。如果我们没有梯度，那么优化器当然不能在任何方向改变权重，但是为什么没有梯度呢？

Answer 1

我认为这个问题是“垂死的ReLu问题”，因为数据是Hounsfield单位，并且初始权重的Pytorch均匀分布意味着许多神经元从ReLu的零区域开始，使它们瘫痪并依赖于其他神经元，从而产生一个梯度，将它们从零区域拉出。随着训练的进行，这种情况不太可能发生--所有的神经元都会被推入雷鲁的零区域。

这个问题有几个解决办法。您可以使用没有零区域的Leaky_relu或其他激活函数。

您还可以使用批处理规范化输入数据，并初始化权重，使之仅为正类型。

解决方案二可能是最优的解决方案，因为两者都将解决问题，但leaky_relu将延长训练，而批量归一化将起到相反的作用，提高准确性。另一方面，Leaky_relu是一个简单的解决方案，而另一个解决方案需要一些额外的工作。

对于Hounsfield数据，还可以在输入数据中添加一个1000的常数，以消除数据中的负单位。这仍然需要不同的权值初始化，而不是毕火炬的标准初始化。

Answer 2

我不认为重量应该用你使用的命令打印。尝试print(unet.conv1.state_dict()["weight"])而不是print(unet.conv1.weight.data[0][0])。