我正试图创建一个多层前馈-反向传播神经网络来识别手写数字,我遇到了一个问题,我的输出层中的激活都趋向于相同的值。你知道吗
我使用的是Optical Recognition of Handwritten Digits Data Set,训练数据如下
0,1,6,15,12,1,0,0,0,7,16,6,6,10,0,0,0,8,16,2,0,11,2,0,0,5,16,3,0,5,7,0,0,7,13,3,0,8,7,0,0,4,12,0,1,13,5,0,0,0,14,9,15,9,0,0,0,0,6,14,7,1,0,0,0
它表示一个8x8矩阵,其中64个整数中的每一个都对应于子4x4矩阵中的暗像素数,最后一个整数是分类。你知道吗
我在输入层中使用64个节点对应64个整数,在一些隐藏层中使用一些隐藏节点,在输出层中使用10个节点对应0-9。你知道吗
我的权重在这里初始化,并且为输入层和隐藏层添加了偏差
self.weights = []
for i in xrange(1, len(layers) - 1):
self.weights.append(
np.random.uniform(low=-0.2,
high=0.2,
size=(layers[i-1] + 1, layers[i] + 1)))
# Output weights
self.weights.append(
np.random.uniform(low=-0.2,
high=0.2,
size=(layers[-2] + 1, layers[-1])))
其中list
包含每层中的节点数,例如
layers=[64, 30, 10]
我用逻辑函数作为我的激活函数
def logistic(self, z):
return sp.expit(z)
及其衍生物
def derivative(self, z):
return sp.expit(z) * (1 - sp.expit(z))
我的反向传播算法大量借鉴了here;我以前的尝试失败了,所以我想尝试另一种路由。你知道吗
def back_prop_learning(self, X, y):
# add biases to inputs with value of 1
biases = np.atleast_2d(np.ones(X.shape[0]))
X = np.concatenate((biases.T, X), axis=1)
# Iterate over training set
for epoch in xrange(self.epochs):
# for each weight w[i][j] in network assign random tiny values
# handled in __init__
''' PROPAGATE THE INPUTS FORWARD TO COMPUTE THE OUTPUTS '''
for example in zip(X, y):
# for each node i in the input layer
# set input layer outputs equal to input vector outputs
activations = [example[0]]
# for layer = 1 (first hidden) to output layer
for layer in xrange(len(self.weights)):
# for each node j in layer
weighted_sum = np.dot(activations[layer], self.weights[layer])
# assert number of outputs == number of weights in each layer
assert(len(activations[layer]) == len(self.weights[layer]))
# compute activation of weighted sum of node j
activation = self.logistic(weighted_sum)
# append vector of activations
activations.append(activation)
''' PROPAGATE DELTAS BACKWARDS FROM OUTPUT LAYER TO INPUT LAYER '''
# for each node j in the output layer
# compute error of target - output
errors = example[1] - activations[-1]
# multiply by derivative
deltas = [errors * self.derivative(activations[-1])]
# for layer = last hidden layer down to first hidden layer
for layer in xrange(len(activations)-2, 0, -1):
deltas.append(deltas[-1].dot(self.weights[layer].T) * self.derivative(activations[layer]))
''' UPDATE EVERY WEIGHT IN NETWORK USING DELTAS '''
deltas.reverse()
# for each weight w[i][j] in network
for i in xrange(len(self.weights)):
layer = np.atleast_2d(activations[i])
delta = np.atleast_2d(deltas[i])
self.weights[i] += self.alpha * layer.T.dot(delta)
我运行测试数据后的输出都类似于
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] 9.0
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] 4.0
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] 6.0
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] 6.0
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] 7.0
无论我选择什么样的学习率,隐藏节点的数量,或隐藏层的数量,一切似乎都倾向于1。这让我怀疑我是否正确地处理和设置了问题,64个输入到10个输出,或者我是否正确地选择/实现了我的sigmoid函数,或者我的反向传播算法的实现是否失败了。我已经用同样的结果重新创建了上述程序两到三次,这使我相信我从根本上误解了问题,没有正确地表示它。你知道吗
我想我已经回答了我的问题。你知道吗
我相信问题在于我是如何计算输出层中的错误的。我将其计算为
errors = example[1] - activations[-1]
,这创建了一个错误数组,其结果是从目标值中减去我的输出层激活。你知道吗我改变了这个,使我的目标值是一个0-9的向量,所以我的目标值的索引是1.0。你知道吗
我还把我的激活函数改为tanh函数。你知道吗
这大大增加了我的输出层中激活的差异,到目前为止,在有限的测试中,我已经能够达到50%-75%的准确率。希望这能帮助其他人。你知道吗
相关问题 更多 >
编程相关推荐