【深度学习】 loss不下降，准确率很低的原因

<>loss不下降，ACC很低（只有0.1，0.2这种）

可能的原因有：

* 数据集有问题（噪声过多或存在过多的标签错误或类别不平衡）
* 梯度爆炸
* 梯度消失
<>笔者遇到的梯度爆炸情况

下图的矩阵是pooler_output（从bert得到的句子向量）：

若干个不同的文本，在训练两个batch后可见模型的输出几乎一样了，这正是梯度爆炸的原因

<>梯度异常检验

检验模型权重更新情况、句子向量、loss值
model = BERT() model.to(device) criterion = nn.CrossEntropyLoss() optimizer =
optim.Adam(model.parameters(), lr=0.00001, betas=(0.9, 0.999), eps=1e-6,
weight_decay=0.01) scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=3,
gamma=0.1) for i in range(epoch): train_loader = iter(tasks_config[
'train_loader']) for input_data in train_loader: # print(input_data) #
查看模型的输入有无问题 for name, _ in input_data.items(): input_data[name] = input_data[
name].to(torch.float16).long().to(device) label = input_data.pop("label")
optimizer.zero_grad() model_output, pooler_output = model(input_data) Before =
list(model.parameters())[0].clone() # 获取更新前模型的第0层权重 loss = criterion(
model_output, label) loss.backward() #
nn.utils.clip_grad_norm_(model.parameters(), max_norm=20, norm_type=2) # 梯度截断
optimizer.step() # 检验模型的学习情况 After = list(model.parameters())[0].clone() #
获取更新后模型的第0层权重 predicted_label = torch.argmax(model_output, -1) acc =
accuracy_score(label.float().cpu(), predicted_label.view(-1).float().cpu())
print(loss,acc) # 打印mini-batch的损失值以及准确率 print('模型的第0层更新幅度：',torch.sum(After-
Before)) print(pooler_output) # 打印句向量
* 梯度正常，更新幅度大约-15

* 梯度爆炸，更新幅度-1k+

* 梯度消失，更新幅度小于1e-2

<>梯度爆炸的解决方法

* 更换优化器
* 学习率小于1e-4
* 梯度截断
* 最大的正则化参数

• « 上一篇：c++如何读入文件
• » 下一篇：如何知道校园网可以免认证上网