在张量流中使用两幅图像的平方差作为损失函数

Question

我正在尝试使用两个图像之间的 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，权重然后发散，我得到了错误

 ReluGrad input is not finite. : Tensor had Inf values

这是为什么呢？我确实尝试了一些其他的东西，比如通过图像大小对 ssd 进行规范化（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)

我的观察结果符合预期吗？

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

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的结果。

但是如果学习率“太高”，优化器，尤其是像梯度下降这样简单的优化器，可能会发散。

您是否尝试过简单地将学习率除以 10/100/1000？或者通过pixels*batch_size 归一化以获得每个像素的平均误差？

还是more advanced optimizers 之一？例如带有默认选项的tf.train.AdamOptimizer()。