去噪线性自动编码器学习输出一个常数而不是去噪

Question

1d我正在尝试为循环信号cos(x)等创建一个去噪自动编码器。创建数据集的过程是我传递一个循环函数列表，并且对于生成的每个示例，它为列表中的每个函数滚动随机系数，因此生成的每个函数都是不同的但循环的。例如 -0.856cos(x) - 1.3cos(0.1x)然后我添加噪声并将信号标准化为介于[0, 1).接下来，我在其上训练我的自动编码器，但它学会输出一个常量（通常是0.5）。我的猜测是它发生是因为0.5是归一化函数的通常平均值。但这根本不是我渴望得到的结果。我提供了我为自动编码器、数据生成器和训练循环编写的代码，以及描述我遇到的问题的两张图片。第一个例子：第二个例子：线性自动编码器：class LinAutoencoder(nn.Module):    def __init__(self, in_channels, K, B, z_dim, out_channels):        super(LinAutoencoder, self).__init__()        self.in_channels = in_channels        self.K = K # number of samples per 2pi interval        self.B = B # how many intervals        self.out_channels = out_channels        encoder_layers = []        decoder_layers = []        encoder_layers += [            nn.Linear(in_channels * K * B, 2*z_dim, bias=True),            nn.ReLU(),            nn.Linear(2*z_dim, z_dim, bias=True),            nn.ReLU(),            nn.Linear(z_dim, z_dim, bias=True),            nn.ReLU()        ]         decoder_layers += [            nn.Linear(z_dim, z_dim, bias=True),            nn.ReLU(),            nn.Linear(z_dim, 2*z_dim, bias=True),            nn.ReLU(),            nn.Linear(2*z_dim, out_channels * K * B, bias=True),            nn.Tanh()        ]        self.encoder = nn.Sequential(*encoder_layers)        self.decoder = nn.Sequential(*decoder_layers)    def forward(self, x):        batch_size = x.shape[0]        x_flat = torch.flatten(x, start_dim=1)        enc = self.encoder(x_flat)        dec = self.decoder(enc)        res = dec.view((batch_size, self.out_channels, self.K * self.B))        return res

Answer 1

问题是我没有nn.BatchNorm1d在我的模型中使用，所以我猜在训练过程中发生了一些错误（可能是梯度消失）。