如何使用 Tensorboard 检测梯度消失和爆炸？

Question

我有两个"sub-questions"

1) 考虑到目前 write_grads=True 根据 "un-deprecate write_grads for fit #31173" 在 Tensorboard callback 中弃用的事实，我如何使用 Tensorboard 检测梯度消失或爆炸？

2) 我想我可以根据 Tensorboard 的“分布”和“直方图”选项卡中的权重分布和直方图判断我的模型是否存在梯度消失问题。我的问题是我没有可以比较的参照系。目前，我的偏见似乎是 "moving"，但我无法判断我的内核权重（Conv2D 层）是否是 "moving"/"changing" "enough"。有人可以通过提供经验法则来帮助我在 Tensorboard 中进行视觉评估吗？ IE。如果只有底部 25% 的内核权重在移动，那就足够好了/不够好？或者也许有人可以 post 来自 tensorBoard 的两个参考图像，分别是消失梯度和非消失梯度。

这是我的直方图和分布，是否可以判断我的模型是否存在梯度消失？（为简洁起见省略了一些图层）提前致谢。

Answer 1

我目前面临同样的问题，并使用 Tensorboard 类似地解决了这个问题。

即使 write_grads 已被弃用，您仍然可以通过子classing tf.keras.Model class 并计算梯度来设法记录网络每一层的梯度在 train_step 方法中手动使用 gradient.Tape。

与此类似的东西对我有用

from tensorflow.keras import Model

class TrainWithCustomLogsModel(Model):

    def __init__(self, **kwargs):
        super(TrainWithCustomLogsModel, self).__init__(**kwargs)
        self.step = tf.Variable(0, dtype=tf.int64,trainable=False)

    def train_step(self, data):

        # Get batch images and labels
        x, y = data
        
        # Compute the batch loss
        with tf.GradientTape() as tape:
            p = self(x , training = True)
            loss = self.compiled_loss(y, p, regularization_losses=self.losses)
        
        # Compute gradients for each weight of the network. Note trainable_vars and gradients are list of tensors
        trainable_vars = self.trainable_variables
        gradients = tape.gradient(loss, trainable_vars)

        # Log gradients in Tensorboard
        self.step.assign_add(tf.constant(1, dtype=tf.int64))
        #tf.print(self.step)
        with train_summary_writer.as_default():
          for var, grad in zip(trainable_vars, gradients):
            name = var.name
            var, grad = tf.squeeze(var), tf.squeeze(grad)
            tf.summary.histogram(name, var, step = self.step)
            tf.summary.histogram('Gradients_'+name, grad, step = self.step)
    
        # Update model's weights
        self.optimizer.apply_gradients(zip(gradients, trainable_vars))
        del tape
        # Update metrics (includes the metric that tracks the loss)
        self.compiled_metrics.update_state(y, p)
        # Return a dict mapping metric names to current value
        return {m.name: m.result() for m in self.metrics}

然后您应该能够可视化训练的任何训练步骤的梯度分布，以及内核值的分布。

此外，可能值得尝试绘制范数随时间的分布而不是单个值。

如何使用 Tensorboard 检测梯度消失和爆炸？

How to detect vanishing and exploding gradients with Tensorboard?

python

tensorflow

machine-learning

deep-learning

tensorboard