为了理解神经网络和pybrain，我试图仅使用时间索引作为输入来预测噪声中的正弦函数 . 因此，前提是简单的NN结构可以模拟y（t）= sin（t） .
设计是：1个输入层（线性），1个隐藏层（tanh）和1个输出层（线性） . 节点数为：每个相应层1,10,1 .
缩放输入（时间变量t）使得其范围为[0; 1] . 目标被缩放以具有范围[0; 1]或[-1; 1]，具有不同的结果（下面给出） .
这是我的Python 2.7代码：
#!/usr/bin/python
from __future__ import division
import numpy as np
import pylab as pl
from pybrain.structure import TanhLayer, LinearLayer #SoftmaxLayer, SigmoidLayer
from pybrain.datasets import SupervisedDataSet
from pybrain.supervised.trainers import BackpropTrainer
from pybrain.structure import FeedForwardNetwork
from pybrain.structure import FullConnection
np.random.seed(0)
pl.close('all')
#create NN structure:
net = FeedForwardNetwork()
inLayer = LinearLayer(1)
hiddenLayer = TanhLayer(10)
outLayer = LinearLayer(1)
#add classes of layers to network, specify IO:
net.addInputModule(inLayer)
net.addModule(hiddenLayer)
net.addOutputModule(outLayer)
#specify how neurons are to be connected:
in_to_hidden = FullConnection(inLayer, hiddenLayer)
hidden_to_out = FullConnection(hiddenLayer, outLayer)
#add connections to network:
net.addConnection(in_to_hidden)
net.addConnection(hidden_to_out)
#perform internal initialisation:
net.sortModules()
#construct target signal:
T = 1
Ts = T/10
f = 1/T
fs = 1/Ts
#NN input signal:
t0 = np.arange(0,10*T,Ts)
L = len(t0)
#NN target signal:
x0 = 10*np.cos(2*np.pi*f*t0) + 10 + np.random.randn(L)
#normalise input signal:
t = t0/np.max(t0)
#normalise target signal to fit in range [0,1] (min) or [-1,1] (mean):
dcx = np.min(x0) #np.min(x0) #np.mean(x0)
x = x0-dcx
sclf = np.max(np.abs(x))
x /= sclf
#add samples and train NN:
ds = SupervisedDataSet(1, 1)
for c in range(L):
ds.addSample(t[c], x[c])
trainer = BackpropTrainer(net, ds, learningrate=0.01, momentum=0.1)
for c in range(20):
e1 = trainer.train()
print 'Epoch %d Error: %f'%(c,e1)
y=np.zeros(L)
for c in range(L):
#y[c] = net.activate([x[c]])
y[c] = net.activate([t[c]])
yout = y*sclf
yout = yout + dcx
fig1 = pl.figure(1)
pl.ion()
fsize=8
pl.subplot(211)
pl.plot(t0,x0,'r.-',label='input')
pl.plot(t0,yout,'bx-',label='predicted')
pl.xlabel('Time',fontsize=fsize)
pl.ylabel('Amplitude',fontsize=fsize)
pl.grid()
pl.legend(loc='lower right',ncol=2,fontsize=fsize)
pl.title('Target range = [0,1]',fontsize=fsize)
fig1name = './sin_min.png'
print 'Saving Fig. 1 to:', fig1name
fig1.savefig(fig1name, bbox_inches='tight')
输出数字如下 .
虽然第一个数字显示更好的结果，但两个产出都不令人满意 . 我错过了一些基本的神经网络原理还是我的代码有缺陷？我知道在这种情况下估计目标信号有更简单的统计方法，但目的是在这里使用简单的NN结构 .
2 回答
问题是输入和输出值的范围 . 通过standardizing这些信号，问题得以解决 .
这可以通过考虑下面显示的sigmoid和tanh激活函数来解释 .
结果取决于具体应用 . 此外，更改激活功能（请参阅this answer）可能还会影响输入和输出信号的最佳缩放值 .
通过稍微调整（更多学习步骤），可以用神经网络准确地预测窦功能 . 为了确定神经网络的极限，“反向运动学”的预测将更有用 . 在该示例中，大多数神经网络将失败，因为求解器产生高CPU需求而没有任何结果 . 测试神经网络极限的另一个例子是来自游戏的强化学习问题 .
神经网络的令人失望的方面是，他们可以预测简单的数学函数，但在复杂的领域失败 . 因为“简单”定义了求解器（Backproptrainer）需要低CPU功率才能达到给定精度的每个问题 .