使用relu激活函数销毁mod

Question

我实现了一个具有1个隐藏层的神经网络进行分类。它使用sigmoid activation函数和cross entropy损失。但是在看cs231n的讲座时，我遇到了收敛速度更快的relu activation函数。所以，我使用relu激活隐藏层，但是准确度从超过90%急剧下降到30-40%。以前我一直在为relu而奋斗，因为cost function总是倾向于{}，因为relu的输出可以是0。我通过在log中添加一个小值来修复这个问题。在

以下是我在以前使用sigmoid激活的版本中修改的最重要的代码片段。我无法突出显示我更改的部分，所以我添加了#changed注释。如果有人想仔细看的话，我会把整个代码都写出来。在

代码段：

激活功能：

def relu(arg):  #I have tried both relu and leaky relu
    return 1*(arg<0)*0.0001*arg + (arg>=0)*arg

def reluGrad(arg):
    for i in range(arg.shape[0]):
        for j in range(arg.shape[1]):
            if arg[i][j]>0:
                arg[i][j]=1
            else:
                arg[i][j]=0
    return arg
def softmax(x):
    x = x.transpose()
    e_x = np.exp(x - np.max(x))
    return (e_x / e_x.sum(axis=0)).transpose()

前进道具：

^{pr2}$

计算成本：

cost = -(output*(np.log(a3))+(1-output)*(np.log(1-a3))).sum()
cost = (1/len(data))*cost + (lamb/(2*len(data)))*((np.delete(theta1,0,0)**2).sum() + (np.delete(theta2,0,0)**2).sum())

后盾：

sigma3 = a3-output
sigma2 = (sigma3.dot(np.transpose(theta2)))* reluGrad(np.insert(z2,0,np.ones(len(z2)),1)) #changed
sigma2 = np.delete(sigma2,0,1)
delta2 = (np.transpose(a2)).dot(sigma3)
delta1 = (np.transpose(a1)).dot(sigma2)

grad1 = delta1/len(data) + (lamb/len(data))*np.insert(np.delete(theta1,0,0),0,np.zeros(len(theta1[0])),0)
grad2 = delta2/len(data) + (lamb/len(data))*np.insert(np.delete(theta2,0,0),0,np.zeros(len(theta2[0])),0)

更新θ

theta1 = theta1 - alpha*grad1
theta2 = theta2 - alpha*grad2

为什么准确度降低？这个relu函数的实现有什么问题？在