使用keras的句子相似度

Question

我正在尝试使用STS数据集基于这项工作实现句子相似性架构.标签是从0到1的归一化相似度分数,因此假设它是回归模型.

我的问题是损失直接NaN从第一个时代开始.我究竟做错了什么？

我已经尝试更新到最新的keras和theano版本.

我的模型的代码是:

def create_lstm_nn(input_dim):
    seq = Sequential()`
    # embedd using pretrained 300d embedding
    seq.add(Embedding(vocab_size, emb_dim, mask_zero=True, weights=[embedding_weights]))
    # encode via LSTM
    seq.add(LSTM(128))
    seq.add(Dropout(0.3))
    return seq

lstm_nn = create_lstm_nn(input_dim)

input_a = Input(shape=(input_dim,))
input_b = Input(shape=(input_dim,))

processed_a = lstm_nn(input_a)
processed_b = lstm_nn(input_b)

cos_distance = merge([processed_a, processed_b], mode='cos', dot_axes=1)
cos_distance = Reshape((1,))(cos_distance)
distance = Lambda(lambda x: 1-x)(cos_distance)

model = Model(input=[input_a, input_b], output=distance)

# train
rms = RMSprop()
model.compile(loss='mse', optimizer=rms)
model.fit([X1, X2], y, validation_split=0.3, batch_size=128, nb_epoch=20)

我也尝试使用简单Lambda而不是Merge图层,但结果相同.

def cosine_distance(vests):
    x, y = vests
    x = K.l2_normalize(x, axis=-1)
    y = K.l2_normalize(y, axis=-1)
    return -K.mean(x * y, axis=-1, keepdims=True)

def cos_dist_output_shape(shapes):
    shape1, shape2 = shapes
    return (shape1[0],1)

distance = Lambda(cosine_distance, output_shape=cos_dist_output_shape)([processed_a, processed_b])

Answer 1

nan 是深度学习回归中的一个常见问题。由于您使用的是暹罗网络，您可以尝试以下操作：

1. 检查您的数据：它们需要标准化吗？
2. 尝试将密集层添加到网络中作为最后一层，但要小心选择激活函数，例如 relu
3. 尝试使用另一个损失函数，例如contrastive_loss
4. 较小的学习率，例如 0.0001
5. cos模式没有仔细处理除零的问题，可能是NaN的原因

让深度学习完美发挥作用并不容易。