CNN 权重卡住

Question

这是一个略带理论性的问题。下面是一张图表，描绘了 CNN 正在接受训练时的损失。 Y轴是MSE，X轴是Epochs的数量。

CNN 描述：

class Net(nn.Module):

def __init__ (self):
    super(Net, self).__init__()
    self.conv1 = nn.Conv1d(in_channels = 1, out_channels = 5, kernel_size = 9) #.double
    self.pool1 = nn.MaxPool1d(3)
    self.fc1 = nn.Linear(5*30, 200)
    #self.dropout = nn.Dropout(p = 0.5)
    self.fc2 = nn.Linear(200, 99)

def forward(self, x):
    x = self.pool1(F.relu(self.conv1(x)))
    x = x.view(-1, 5 * 30)
    #x = self.dropout(F.relu(self.fc1(x)))
    x = F.relu(self.fc1(x))
    x = self.fc2(x)
    return x

def init_weights(m):
    if type(m) == nn.Linear:
       nn.init.xavier_uniform_(m.weight)
       m.bias.data.fill_(0.01)


 net = Net()
 net.apply(init_weights)

 criterion = nn.MSELoss()
 optimizer = optim.Adam(net.parameters(), lr=0.01-0.0001) # depends

输入和输出都是一个数字数组。这是一个多元回归输出问题。

如果我使用较低的学习率，loss/weights 卡在错误位置的问题就不会发生。但是，它仍然会发生。从某种意义上说，这意味着由 CNN 参数创建的超维 space 带有许多局部最小值。这可能是真的，因为 CNN 的输入非常相似。增加 CNN 的层数（conv 层和完全连接的线性层）是否有助于解决这个问题，因为它们的超维 space 可能更平滑？或者这种直觉是完全错误的？一个更广泛的问题，你应该在什么时候倾向于添加更多的卷积层？我知道在实践中你几乎不应该从头开始，而是使用另一个模型的前几层。但是，我使用的输入与我在网上找到的任何输入都非常不同，因此无法执行此操作。

Answer 1

这是一个多类分类问题吗？如果是这样，您可以尝试使用 cross entropy loss。也许在输出之前有一个 softmax 层？我不确定，因为我不知道模型的输入和输出是什么。

CNN 权重卡住

CNN weights getting stuck

gradient

hyperparameters

conv-neural-network

pytorch