Чрезвычайно большой градиент в последнем слое и маленький в остальном - PullRequest
Новая
       75

Чрезвычайно большой градиент в последнем слое и маленький в остальном

3 голосов
/ 09 мая 2019

Я очень новичок в обучении нейронных сетей, но глупо пытался реализовать мою собственную новую архитектуру.Он очень похож на трансформатор в том, что конвейер принимает тензор «заголовков статей», пропускает его через половину преобразователя преобразователя, затем через несколько преобразований и версий преобразователя преобразователя.Выходные данные затем суммируются в один вектор и Softmaxed.Я также написал собственную функцию потерь.

Когда я строю график средних градиентов для слоя, это выглядит так: this .

(Градиенты последнего слоя огромны, а остальныеедва существуют. Это после обрезки градиента до 0,25, до этого градиент последнего слоя был около 1e7)

Вот мой соответствующий код: 

def forward(self, example):

        art_mask = Variable((example.Art[:,:,0] != 0).unsqueeze(-2)).cuda()
        Art = Variable(example.Art).cuda()

        # To give context to article embeddings, pass through Transformer Encoder block
        Art = self.encoder_block(self.position_layer(Art), art_mask).cuda()

        Tsf = example.Tsf.cuda().repeat((1,Art.shape[1],1)).cuda()
        # Concanetante Tsf to Art
        Art = torch.cat((Art, Tsf), dim=2).cuda()

        # Convert Art to Ent and construct ent_mask
        Ent = Art[example.EntArt[:,:,0], example.EntArt[:,:,1],:].cuda()
        ent_mask = (example.EntArt[:,:,0] == -1).unsqueeze(-2).cuda()

        # Pass to graph block, alternating layers of Relational Attn and Entity Self Attn
        Ent = self.graph_block(Ent, ent_mask, example.RelEnt).cuda()


        # Slice and reorder Ent into assets tensor
        A = len(self.assets_list)
        Ass = torch.full((A,1), -1, dtype=torch.long).cuda()
        for i,uri in enumerate(self.assets_list):
            if uri in example.AssetIndex:
                Ass[i] = example.AssetIndex[uri]

        Assets = Ent[Ass, :, :].squeeze(1).cuda()
        mask = Ass.unsqueeze(2).repeat(1,Assets.shape[1],Assets.shape[2]).cuda()
        Assets = Assets.masked_fill(mask == -1, -1e9).cuda()

        Assets = Assets.sum(dim = 1).squeeze(1)
        Assets = torch.matmul(Assets, self.W).cuda()

        bias = torch.zeros((1)).cuda()
        Assets = torch.cat((Assets, bias)).cuda()

        return self.softmax(Assets)

"""
prices[i] is normalized closing / opening
:param prices <torch.Tensor(batch_size, len(assets))>
"""
def loss_f(model, XY):
    examples, prices = XY
    portfolios = torch.stack([model.forward(ex) for ex in examples], dim=0)
    prices = Variable(prices)

    # safe asset (US Dollars) at prices[:,-1]
    prices = torch.cat((prices, torch.ones((prices.shape[0], 1), dtype=torch.float)), dim = 1).cuda()

    return -torch.sum(portfolios * prices) / 4 # batch size

Слой с большими градиентамикоэффициенты и смещения для слоя LayerNorm в конце архитектуры преобразователя

...