在tensorflow中使用两幅图像的平方差作为损失函数

Question

我正在尝试在两个图像之间使用 SSD 作为我网络的损失函数。

# h_fc2 is my output layer, y_ is my label image.
ssd = tf.reduce_sum(tf.square(y_ - h_fc2))

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(ssd)

问题是，然后权重发散，我得到错误

 ReluGrad input is not finite. : Tensor had Inf values

为什么？我确实尝试了其他一些东西，例如通过图像大小标准化 ssd（不起作用）或将输出值裁剪为 1（不再崩溃，但我仍然需要对此进行评估）：

ssd_min_1 = tf.reduce_sum(tf.square(y_ - tf.minimum(h_fc2, 1)))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(ssd_min_1)

我的观察是否符合预期？

编辑：@mdaoust 建议被证明是正确的。重点是按批量大小进行标准化。这可以通过使用此代码独立于批量大小完成

squared_diff_image = tf.square(label_image - output_img)
# Sum over all dimensions except the first (the batch-dimension).
ssd_images = tf.reduce_sum(squared_diff_image, [1, 2, 3])
# Take mean ssd over batch.
error_images = tf.reduce_mean(ssd_images)

有了这个变化，只需要稍微降低学习率（到 0.0001）。

Answer 1

有很多方法可以得到非有限结果。

但是优化器，尤其是像梯度下降这样的简单优化器，如果学习率“太高”就会发散。

您是否尝试过简单地将学习率除以 10/100/1000？或者标准化pixels*batch_size以获得每个像素的平均误差？

或者更高级的优化器之一？例如tf.train.AdamOptimizer()使用默认选项。