Python Pyrotch LSTM不会过度拟合单个样本
我试图过拟合单个时间序列。也就是说,我尝试在单个Python Pyrotch LSTM不会过度拟合单个样本,python,deep-learning,lstm,pytorch,recurrent-neural-network,Python,Deep Learning,Lstm,Pytorch,Recurrent Neural Network,我试图过拟合单个时间序列。也就是说,我尝试在单个(X,Y)对上一遍又一遍地执行训练。我这样做是为了对超参数的功能有一个印象。但它并不收敛。这是损失图,显示了大约800次迭代后每次迭代的MSE: 我希望错误完全消失,但当我写这篇文章时,它被卡在了平台上,它仍然在那里。 时间序列的长度为29600,RNN将一个值映射到另一个值。它由一个带有1输入、200隐藏单元的LSTM单元和一个完全连接的映射到单个值的层组成 我的感觉告诉我,模型可能不够复杂,不适合样本。但在我尝试增加RNN的复杂性之前,我必须
(X,Y)
对上一遍又一遍地执行训练。我这样做是为了对超参数的功能有一个印象。但它并不收敛。这是损失图,显示了大约800次迭代后每次迭代的MSE:
我希望错误完全消失,但当我写这篇文章时,它被卡在了平台上,它仍然在那里。
时间序列的长度为29600,RNN将一个值映射到另一个值。它由一个带有1
输入、200
隐藏单元的LSTM单元和一个完全连接的映射到单个值的层组成
我的感觉告诉我,模型可能不够复杂,不适合样本。但在我尝试增加RNN的复杂性之前,我必须确保我的培训实施是正确的。也许我没有正确地使用autograd。因为这是我第一次尝试训练神经网络,我不知道需要多长时间
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
import numpy as np
# the class containing the LSTM
class Sequence(nn.Module):
def __init__(self):
self.hidden_state_len = 200
super(Sequence, self).__init__()
self.lstm1 = nn.LSTMCell(1, self.hidden_state_len)
self.linear = nn.Linear(self.hidden_state_len, 1)
h_t = torch
def forward(self, input):
outputs = []
h_t = torch.zeros(input.size(0), self.hidden_state_len, dtype=torch.double).cuda()
c_t = torch.zeros(input.size(0), self.hidden_state_len, dtype=torch.double).cuda()
for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):
h_t, c_t = self.lstm1(input_t, (h_t, c_t))
output = self.linear(h_t)
outputs += [output]
return torch.cat(outputs, dim=1)
x1 = torch.load("/floyd/input/wav/x1.pt").double().cuda()[0][7400:37000].reshape(1,-1)
y1 = torch.load("/floyd/input/wav/y1.pt").double().cuda()[0][7400:37000].reshape(1,-1)
seq = Sequence()
seq.double()
criterion = nn.MSELoss()
seq = seq.cuda()
device = torch.device("cuda:0")
seq = seq.to(device)
optimizer = optim.Adam(seq.parameters())
starttime = datetime.datetime.now()
i = -1
# training for 4 hours on cloud GPU
while((datetime.datetime.now() - starttime).total_seconds() < 60*60*4) :
i+=1
optimizer.zero_grad()
input = Variable(x1)
target = Variable(y1)
out = seq(input)
loss = criterion(out, target)
loss.backward()
optimizer.step()
导入火炬
导入torch.nn作为nn
将torch.optim导入为optim
从torch.autograd导入变量
将numpy作为np导入
#包含LSTM的类
类序列(nn.模块):
定义初始化(自):
self.hidden\u state\u len=200
超级(序列,自我)。\uuuu初始化\uuuuu()
self.lstm1=nn.LSTMCell(1,self.hidden\u state\u len)
self.linear=nn.linear(self.hidden\u state\u len,1)
h_t=火炬
def前进(自我,输入):
输出=[]
h_t=torch.zero(input.size(0),self.hidden_state_len,dtype=torch.double).cuda()
c_t=torch.zero(input.size(0),self.hidden_state_len,dtype=torch.double).cuda()
对于i,在枚举中输入(input.chunk(input.size(1),dim=1)):
h_t,c_t=self.lstm1(输入(h_t,c_t))
输出=自线性(h_t)
输出+=[输出]
返回火炬。cat(输出,尺寸=1)
x1=torch.load(“/floyd/input/wav/x1.pt”).double().cuda()[0][7400:37000]。重塑(1,-1)
y1=torch.load(“/floyd/input/wav/y1.pt”).double().cuda()[0][7400:37000]。重塑(1,-1)
seq=序列()
seq.double()
标准=nn.MSELoss()
seq=seq.cuda()
设备=火炬。设备(“cuda:0”)
序号=序号至(设备)
optimizer=optim.Adam(seq.parameters())
starttime=datetime.datetime.now()
i=-1
#在云GPU上培训4小时
而((datetime.datetime.now()-starttime).total_seconds()<60*60*4):
i+=1
optimizer.zero_grad()
输入=变量(x1)
目标=变量(y1)
输出=顺序(输入)
损失=标准(输出、目标)
loss.backward()
optimizer.step()
仅用于测试,您是否尝试过使用LSTM
而不是LSTMCell
。我没有看到任何特殊的操作需要在你的前进
方法中循环。而且,你的训练周期在我看来是正确的。如果你坚持完全过度拟合,你可能想使用衰减的学习率,但即使如此,也不能保证找到一个全局最小值。这就是非凸优化问题的关键所在。为了测试,您是否尝试过使用LSTM
而不是LSTMCell
。我没有看到任何特殊的操作需要在你的前进
方法中循环。而且,你的训练周期在我看来是正确的。如果你坚持完全过度拟合,你可能想使用衰减的学习率,但即使如此,也不能保证找到一个全局最小值。这就是非凸优化问题的关键所在。