在Keras中，使用SGD，为什么model.fit()训练平滑，而分步训练方法给出爆炸梯度和损失

Question

因为这个爆炸梯度和爆炸损失发生在网络很大的时候，所以我就不把整个网络都贴出来了。但我已经尽了最大的努力，在过去的两周里，我深入研究了源代码的细节来监控一些权重，手动编写了更新步骤来监控损失、权重、更新、梯度和超参数，以比较内部状态。我想我在问这个问题之前做了一些功课。

问题是使用Keras API有两种训练方法，是model.fit()，第二种是针对更复杂的训练和网络的更定制的方法，但是当我几乎保持彼此相同的时候，model.fit()没有爆炸损失，但是自定义方法给出了爆炸。有趣的是，当我在一个小得多的网络下监控许多细节时，从两种方法来看，一切似乎都是一样的。

环境:

# tensorflow 1.14
import tensorflow as tf
from tensorflow.keras import backend as K

对于model.fit()法:

# I skipped the details of the below two lines as I couldn't share the very details. but x is [10000, 32, 32, 3] image data, y is [10000, 10, 1] label. model is regular Keras model.
x_train, y_train, x_test, y_test = get_data()
model = get_keras_model()
loss_fn = tf.keras.losses.CategoricalCrossentropy()
sgd = tf.keras.optimizers.SGD(lr=.1, momentum=0.9, nesterov=True)
model.compile(loss=loss_fn, optimizer=sgd, metrics=['accuracy'])
history = model.fit(x_train, y_train, batch_size=128, epochs=100, validation_data=(x_test, y_test))

自定义方法:

x_train, y_train, x_test, y_test = get_data()
model = get_keras_model()
input = model.inputs[0]
y_true = tf.placeholder(dtype = tf.int32, shape = [None, 10])
y_pred = model.outputs[0]
loss_fn = tf.keras.losses.CategoricalCrossentropy()
loss = loss_fn(y_true, y_pred)
weights = model.trainable_weights
sgd = tf.keras.optimizers.SGD(lr=.1, momentum=0.9, nesterov=True)
training_updates = sgd.get_updates(loss, weights)
training_fn = K.function([y_true, input], [loss], training_updates)
num_train = 10000
steps_per_epoch = int(num_train / 128) # batch size 128
total_steps = steps_per_epoch * 100 # epoch 100
for step in total_steps:
idx = np.random.randint(0, 10000, 128)
input_img = x_train[idx]
ground_true = y_train[idx]
cur_loss = training_fn([ground_true, input_img])

所以简而言之，相同的模型，相同的损失函数，相同的优化器SGD，相同的图像馈送(我控制图像馈送顺序，尽管这里的代码是从训练数据中随机选择的)。在model.fit()的内部过程中是否有什么东西可以防止损失或梯度爆炸?

Answer 1

在深入研究源代码后，我发现了梯度爆炸的原因，正确的代码(更改最小如下):

x_train, y_train, x_test, y_test = get_data()
model = get_keras_model()
input = model.inputs[0]
y_true = tf.placeholder(dtype = tf.int32, shape = [None, 10])
y_pred = model.outputs[0]
loss_fn = tf.keras.losses.CategoricalCrossentropy()
loss = loss_fn(y_true, y_pred)
weights = model.trainable_weights
sgd = tf.keras.optimizers.SGD(lr=.1, momentum=0.9, nesterov=True)
training_updates = sgd.get_updates(loss, weights)
# Correct:
training_fn = K.function([y_true, input, K.symbolic_learning_phase()], [loss], training_updates)
# Before:
# training_fn = K.function([y_true, input], [loss], training_updates)
num_train = 10000
steps_per_epoch = int(num_train / 128) # batch size 128
total_steps = steps_per_epoch * 100 # epoch 100
for step in total_steps:
idx = np.random.randint(0, 10000, 128)
input_img = x_train[idx]
ground_true = y_train[idx]
# Correct:
cur_loss = training_fn([ground_true, input_img, True])
# Before:
# cur_loss = training_fn([ground_true, input_img])

我对这个特定张量K.symbolic_learning_phase()的理解是，它的默认值设置为False(如果你在初始化时检查源代码)，BatchNormalization和Dropout层等在训练阶段和测试阶段的行为不同。在这种情况下，BatchNormalization层是梯度爆炸的原因(现在有些帖子提到他们用BatchNormalization层得到梯度爆炸是有道理的)，这是因为它的两个可训练权重batch_normalization_1/gamma:0和batch_normalization_1/beta:0依赖于这个张量，默认值False它们没有学习，它们的权重在训练过程中很快就变成了nan。

我注意到没有多少使用training_updates方法的Keras代码真正把K.symbolic_learning_phase()放在他们的代码中，然而，这是Keras的API在底层做的。