Tensorflow 收敛于均值

Question

我正在尝试使用 tensorflow 预测二进制输出。训练数据的输出大约有 69% 为零。输入特征是实数值的，我通过减去平均值并除以标准差来对它们进行归一化。每次我运行网络时，无论我尝试过什么技术，我都无法获得 >69% 准确度的模型，看起来我的 Yhat 正在收敛到全零。

我尝试了很多东西，比如不同的优化器、损失函数、批量大小等。但无论我做什么，它都会收敛到 69%，而且永远不会超过。我猜我正在做的事情有一个更根本的问题，但我似乎找不到它。

这是我的代码的最新版本

    X = tf.placeholder(tf.float32,shape=[None,14],name='X')
    Y = tf.placeholder(tf.float32,shape=[None,1],name='Y')

    W1 = tf.Variable(tf.truncated_normal(shape=[14,20],stddev=0.5))
    b1 = tf.Variable(tf.zeros([20]))
    l1 = tf.nn.relu(tf.matmul(X,W1) + b1)

    l1 = tf.nn.dropout(l1,0.5)

    W2 = tf.Variable(tf.truncated_normal(shape=[20,20],stddev=0.5))
    b2 = tf.Variable(tf.zeros([20]))
    l2 = tf.nn.relu(tf.matmul(l1,W2) + b2)

    l2 = tf.nn.dropout(l2,0.5)

    W3 = tf.Variable(tf.truncated_normal(shape=[20,15],stddev=0.5))
    b3 = tf.Variable(tf.zeros([15]))
    l3 = tf.nn.relu(tf.matmul(l2,W3) + b3)

    l3 = tf.nn.dropout(l3,0.5)

    W5 = tf.Variable(tf.truncated_normal(shape=[15,1],stddev=0.5))
    b5 = tf.Variable(tf.zeros([1]))
    Yhat = tf.matmul(l3,W5) + b5

    loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=Yhat, labels=Y))

    learning_rate = 0.005
    l2_weight = 0.001
    learner = tf.train.AdamOptimizer(learning_rate).minimize(loss)

    correct_prediction = tf.equal(tf.greater(Y,0.5), tf.greater(Yhat,0.5))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

Answer 1

您正在使用常量漏失。

l3 = tf.nn.dropout(l3,0.5)

Dropout 只应在训练时使用，而不应在检查准确性或预测期间使用。

keep_prob = tf.placeholder(tf.float32)
l3 = tf.nn.dropout(l3,keep_prob)

占位符在训练时应给予适当的值，而testing/prediction则为1。

你在每一层都有 dropouts，我不确定你是否需要一个小网络那么多的 dropouts。希望这有帮助

Answer 2

当你计算你的 correct_prediction

    correct_prediction = tf.equal(tf.greater(Y,0.5), tf.greater(Yhat,0.5))

看来Yhat还是logits，你应该用sigmoid计算一个Y_pred，用Y_pred计算你的correct_prediction

    Y_pred = tf.nn.sigmoid(Yhat)
    correct_prediction = tf.equal(tf.greater(Y,0.5), tf.greater(Y_pred,0.5))

Tensorflow 收敛于均值

Tensorflow converge to mean

feed-forward

tensorflow