1
我正在TensorFlow中训练自主驱动卷积神经网络。这是一个简单的回归网络,可以拍摄图像并输出单个值(转向角度)。训练的张量流模型总是输出零
这是该网络所定义的函数:
def cnn_model_fn(features, labels, mode):
conv1 = tf.layers.conv2d(
inputs=features,
filters=32,
kernel_size=5,
padding="same",
activation=tf.nn.relu
)
pool1 = tf.layers.max_pooling2d(
inputs=conv1,
pool_size=2,
strides=2
)
pool1_flat = tf.reshape(pool1, [-1, 2764800])
dense1 = tf.layers.dense(
inputs=pool1_flat,
units=128,
activation=tf.nn.relu
)
dropout = tf.layers.dropout(
inputs=dense1,
rate=0.4,
training=mode == learn.ModeKeys.TRAIN
)
dense2 = tf.layers.dense(
inputs=dropout,
units=1,
activation=tf.nn.relu
)
predictions = tf.reshape(dense2, [-1])
loss = None
train_op = None
if mode != learn.ModeKeys.INFER:
loss = tf.losses.mean_squared_error(
labels=labels,
predictions=predictions
)
if mode == learn.ModeKeys.TRAIN:
train_op = tf.contrib.layers.optimize_loss(
loss=loss,
global_step=tf.contrib.framework.get_global_step(),
learning_rate=0.001,
optimizer="SGD"
)
return model_fn_lib.ModelFnOps(
mode=mode,
predictions=predictions,
loss=loss,
train_op=train_op
)
在亚洲其他节目,我开始分类的培训,像这样:
def main(_):
# Gather data
images, labels = get_data("./data/labels.csv")
# Create the estimator
classifier = learn.Estimator(
model_fn=cnn_model_fn,
model_dir="/tmp/network2"
)
# Train the model
classifier.fit(
x=images,
y=labels,
batch_size=10,
steps=20
)
for v in tf.trainable_variables():
print(v)
labels
是一个简单的一维NumPy的包含训练样例的所有转向角。它们正在从CSV文件中读取。文件中的值非常接近0,平均值为零。
当它们直接从文件中读取或乘以标量时,网络收敛合理,并实现低损耗功能。当我添加一个常量时,它不会收敛或发散。我怀疑网络的所有权重都收敛于零。
有没有人看到我的方法有问题?