未归一化导致Dead ReLU的悲剧
问题描述
笔者在参考http://zh.gluon.ai/chapter_deep-learning-basics/mlp-scratch.html
实现多层感知机的时候，遇到了一个问题
那就是，如果使用ReLU作为激活函数，模型的准确率非常低（只有0.1）
但是如果把那个网站上的代码下载下来运行，准确率能达到80%
这就很奇怪了，我们使用的训练方法都是随机梯度下降，学习率，网络参数也是一样的，结果却相差很大
问题排查
经过断点调试，笔者发现，网站上的代码执行时，它的损失函数值很小（只有50多），而且下降地很快，而我的代码损失函数有200多，而且一直降不下去
在确认代码没写错之后，自然就怀疑是数据处理的问题
网站上的数据集获取是通过网站作者自己实现的d2l.load_data_fashion_mnist(batch_size)方法，而我是直接调用gdata.vision.FashionMNIST获取的数据集
经过查看源代码，发现网站作者在加载数据集时，用了一个transformer，也就是gdata.vision.transforms.ToTensor()，通过查资料，发现这是一个归一化的操作
所以大致可以确定，这个问题是由于数据没进行归一化
实验验证
在计算前，把features除以255也可以达到归一化效果，把代码修改为
for X,y in data_iter:
#X=X/255
with autograd.record():
X=X/255
y_hat=net(X)
l=loss(y_hat,y).sum()
l.backward()
之后，准确率正常了
理论分析
经过查阅资料，笔者形成了两种猜想
1.发生了梯度消失的现象
2.发生了Dead ReLU现象
其中梯度消失先暂时排除，因为网络层数太少了，主要考虑是Dead ReLU
关于Dead ReLU，可以参考一下这篇文章
大致原理就是输入的负数太多，导致它们全都被ReLU函数变成了0，从而影响了学习
具体成因可能是输入的数据太大，并且学习率也比较大，导致进入ReLU函数时负数过多，具体是否是这个成因，需要通过实验验证
实验验证
这里的主要思想是，记录每次ReLU函数中被变成0的元素的占比，并绘图观察
完整代码会放在文章最末
这里就只展示最终结果了
（由于篇幅限制，本来有5轮训练的，这里就每种情况只放第一轮训练的数据图了，剩余轮次的结果差不多）
未做归一化，学习率为0.1的情况，其中relu_rate表示的是被ReLU函数变成0的元素的占比
可以看见，被很快，几乎所有的元素都被ReLU函数变成0了，所以Dead ReLU的猜想可以认为是正确的了
接下来再来看看改进后的图像
首先是学习率调低至0.001时的情况
这是第一轮，后面几轮也都是在0.8上下震荡，这是一个比较正常的情况了
再看一下进行了归一化，学习率为0.5的图像
情况和第二种情况类似，也是比较正常
结论
数据如果过多而且过大，且不做归一化，使用ReLU作为激活函数时就可能出现Dead ReLU的情况，而解决办法有降低学习率和进行归一化两种
下期预告
在研究这一问题的时候，笔者还发现几个有趣的现象
在不进行归一化的时候
1.把激活函数换成sigmoid之后，准确率会大幅提升（大概能到50%）
2.把激活函数换成tanh之后，准确率依然很低（大概17%），但是比ReLU要高
下一篇文章会更多的从理论上去分析这两个问题的成因
写在最后
作为刚入门深度学习还不到一个月的萌新，遇到这类问题是挺无语的
路漫漫其修远兮，吾将上下而求索，能从错误中总结经验也是件好事
以上就是个人对这个问题的见解，如果其中有错误，欢迎各位大佬批评指正
完整代码
from mxnet import nd,autograd
from mxnet.gluon import data as gdata
from mxnet.gluon import loss as gloss
import numpy as np
from matplotlib import pyplot as plt
batch_size = 256
def get_data(train=True):
train_data = gdata.vision.FashionMNIST(train=train)
features = train_data[:][0]
features = features.astype("float32")
labels = train_data[:][1]
return features,labels
def get_data_iter(train=True,to_tensor=False):
features,labels=get_data(train)
dataset = gdata.ArrayDataset(features, labels)
if(to_tensor):
return gdata.DataLoader(dataset.transform_first(gdata.vision.transforms.Compose([gdata.vision.transforms.ToTensor()])),batch_size,shuffle=True)
else:
return gdata.DataLoader(dataset, batch_size, shuffle=True)
def test():
test_features,test_labels=get_data(False)
y_predict=net(test_features).argmax(axis=1)
accuracy=(nd.array(test_labels) == nd.array(y_predict,dtype="float32")).mean().asscalar()
print("Accuracy: "+str(accuracy))
hidden_num=300
output_num=10
w1=nd.random.normal(scale=0.01,shape=(784,hidden_num))
b1=nd.zeros(hidden_num)
w2=nd.random.normal(scale=0.01,shape=(hidden_num,output_num))
b2=nd.zeros(output_num)
params=[w1,b1,w2,b2]
for param in params:
param.attach_grad()
relu_rate=0
def relu(x):
global relu_rate
relu_rate=(x<0).mean().asscalar()
return nd.sigmoid(x)
def net(x):
x=x.reshape((-1,784))
result=relu(nd.dot(x,w1)+b1)
return nd.dot(result,w2)+b2
loss=gloss.SoftmaxCrossEntropyLoss()
lr=0.5
data_iter=get_data_iter(to_tensor=False)
for i in range(5):
record_count=(int)(60000/batch_size)
graph_x = np.arange(0, record_count, 1)
graph_ys = np.zeros((4, record_count))
relu_record=np.zeros((record_count,))
graph_index = 0
for X,y in data_iter:
#X=X/255
with autograd.record():
X=X/255
y_hat=net(X)
l=loss(y_hat,y).sum()
l.backward()
j=0
for p in params:
grad=p.grad
p[:]=p-lr*grad/batch_size
#record gradient
# record relu_rate
if(graph_index<record_count):
graph_ys[j][graph_index]=grad.sum().asscalar()
relu_record[graph_index] = relu_rate
j+=1
graph_index+=1
print("Loss: "+str(l.sum()))
test()
plt.subplot(2, 2, 1)
plt.title("w1")
plt.plot(graph_x,graph_ys[0])
plt.subplot(2,2,2)
plt.title("b1")
plt.plot(graph_x,graph_ys[1])
plt.subplot(2, 2, 3)
plt.title("w2")
plt.plot(graph_x,graph_ys[2])
plt.subplot(2, 2, 4)
plt.title("b2")
plt.plot(graph_x,graph_ys[3])
#plt.show()
plt.savefig("gradient_"+str(i)+".png")
plt.clf()
plt.title("relu_rate")
plt.plot(graph_x, relu_record)
#plt.show()
plt.savefig("relu_rate_" + str(i) + ".png")
plt.clf()