Я пытаюсь реализовать модель WGAN-GP, используя тензорный поток и keras (для данные о мошенничестве с кредитными картами из kaggle).
Я в основном следовал образцу кода, представленному на веб-сайте keras, и нескольким другим образцам кодов на сайте Интернет (но изменил их с изображения на мои данные), и это довольно просто.
Но когда я хочу обновить критика, градиент потерь по отношению к весам критика становится равным nan
после нескольких пакетов. И это приводит к тому, что веса критика становятся nan
, а после этого веса генератора становятся _3 _, ... Итак, все становится nan
!
Я использовал tf.debugging.enable_check_numerics
и обнаружил, что проблема возникает из-за того, что -Inf
появляется в градиенте после некоторых итераций.
Это напрямую связано со штрафом за градиент в потерях, потому что, когда я удаляю это, проблема исчезает.
Обратите внимание, что gp
сам по себе не nan
, но когда я получаю градиент потерь относительно весов критиков (c_grads
в приведенном ниже коде), он содержит -Inf
, а затем каким-то образом становится все nan
.
Я проверил математику и сетевую архитектуру на возможные ошибки (например, вероятность исчезновения градиента и т. Д.), И я часами проверял свой код на возможные ошибки. Но я застрял.
Я был бы очень признателен, если бы кто-нибудь мог найти корень проблемы
Примечание. Имейте в виду, что функция результатов и потерь критика немного отличается от исходной статьи (потому что я пытаюсь сделать ее условной), но это не имеет ничего общего с проблемой, потому что, как я сказал раньше вся проблема исчезает, когда я просто удаляю термин "штраф за градиент"
Это мой критик:
critic = keras.Sequential([
keras.layers.Input(shape=(x_dim,), name='c-input'),
keras.layers.Dense(64, kernel_initializer=keras.initializers.he_normal(), name='c-hidden-1'),
keras.layers.LeakyReLU(alpha=0.25, name='c-activation-1'),
keras.layers.Dense(32, kernel_initializer=keras.initializers.he_normal(), name='c-hidden-2'),
keras.layers.LeakyReLU(alpha=0.25, name='c-activation-2'),
keras.layers.Dense(2, activation='tanh', name='c-output')
], name='critic')
Это моя функция градиентного штрафа:
def gradient_penalty(self, batch_size, x_real, x_fake):
# get the random linear interpolation of real and fake data (x hat)
alpha = tf.random.uniform([batch_size, 1], 0.0, 1.0)
x_interpolated = x_real + alpha * (x_fake - x_real)
with tf.GradientTape() as gp_tape:
gp_tape.watch(x_interpolated)
# Get the critic score for this interpolated data
scores = 0.5 * (self.critic(x_interpolated, training=True) + 1.0)
# Calculate the gradients w.r.t to this interpolated data
grads = gp_tape.gradient(scores, x_interpolated)
# Calculate the norm of the gradients
# Gradient penalty enforces the gradient to stay close to 1.0 (1-Lipschitz constraint)
gp = tf.reduce_mean(tf.square(tf.norm(grads, axis=-1) - 1.0))
return gp
А это код обновления критика
# Get random samples from latent space
z = GAN.random_samples((batch_size, self.latent_dim))
# Augment random samples with the class label (1 for class "fraud") for conditioning
z_conditioned = tf.concat([z, tf.ones((batch_size, 1))], axis=1)
# Generate fake data using random samples
x_fake = self.generator(z_conditioned, training=True)
# Calculate the loss and back-propagate
with tf.GradientTape() as c_tape:
c_tape.watch(x_fake)
c_tape.watch(x_real)
# Get the scores for the fake data
output_fake = 0.5 * (self.critic(x_fake) + 1.0)
score_fake = tf.reduce_mean(tf.reduce_sum(output_fake, axis=1))
# Get the scores for the real data
output_real = 0.5 * (self.critic(x_real, training=True) + 1.0)
score_real = tf.reduce_mean((1.0 - 2.0 * y_real) * (output_real[:, 0] - output_real[:, 1]))
# Calculate the gradient penalty
gp = self.gp_coeff * self.gradient_penalty(batch_size, x_real, x_fake)
# Calculate critic's loss (added 1.0 so its ideal value becomes zero)
c_loss = 1.0 + score_fake - score_real + gp
# Calculate the gradients
c_grads = c_tape.gradient(c_loss, self.critic.trainable_weights)
# back-propagate the loss
self.c_optimizer.apply_gradients(zip(c_grads, self.critic.trainable_weights))
Также примечание: Как видите, я не использую перекрестную энтропию или другие самописные функции с риском деления на ноль.