我创建了一个Octave脚本,用于使用反向传播训练具有1个隐藏层的神经网络,但它似乎不适合XOR函数 .
-
x
输入4x2矩阵[0 0; 0 1; 1 0; 1 1]
-
y
输出4x1矩阵[0; 1; 1; 0]
-
theta
隐藏/输出图层权重 -
z
加权总和 -
a
激活函数应用于加权和 -
m
样本数量(4
此处)
我的权重初始化如下
epsilon_init = 0.12;
theta1 = rand(hiddenCount, inputCount + 1) * 2 * epsilon_init * epsilon_init;
theta2 = rand(outputCount, hiddenCount + 1) * 2 * epsilon_init * epsilon_init;
前馈
a1 = x;
a1_with_bias = [ones(m, 1) a1];
z2 = a1_with_bias * theta1';
a2 = sigmoid(z2);
a2_with_bias = [ones(size(a2, 1), 1) a2];
z3 = a2_with_bias * theta2';
a3 = sigmoid(z3);
然后我计算逻辑成本函数
j = -sum((y .* log(a3) + (1 - y) .* log(1 - a3))(:)) / m;
反向传播
delta2 = (a3 - y);
gradient2 = delta2' * a2_with_bias / m;
delta1 = (delta2 * theta2(:, 2:end)) .* sigmoidGradient(z2);
gradient1 = delta1' * a1_with_bias / m;
使用梯度检查验证梯度是正确的 .
然后我使用这些渐变来使用梯度下降找到theta的最佳值,尽管使用Octave的 fminunc
函数会产生相同的结果 . 成本函数收敛于 ln(2)
(或 0.5
表示平方误差成本函数),因为无论我使用多少隐藏单位,网络都会为所有四个输入输出 0.5
.
有谁知道我的错误在哪里?
2 回答
在初始化权重时从较大范围开始,包括负值 . 您的代码很难在正负权重之间进行"cross-over",而您可能意味着在放置
* 2 * epsilon_init * epsilon_init;
时放入* 2 * epsilon_init - epsilon_init;
. 修复可能会修复您的代码 .根据经验,我会做这样的事情:
乘数只是我在课程中提到的一些建议,我认为它得到了一份研究论文的支持,该论文比较了几种不同的方法 .
此外,如果运行基本梯度下降,则可能需要大量迭代才能学习XOR . 我建议在宣布学习不起作用之前至少运行10000次 .
fminunc
函数应该做得更好 .我用2个隐藏的神经元,基本的梯度下降和上面的初始化来运行你的代码,并且它正确地学习了XOR . 我也试过添加动量术语,学习更快更可靠,所以我建议你再看一下 .
隐藏层中至少需要3个神经元,并在第一个答案建议时更正初始化 . 如果sigmoidGradient(z2)表示a2 . *(1-a2),那么剩下的代码对我来说似乎没问题 .
最好的关注,