Еще раз спасибо за то, что нашли время, чтобы прочитать это сообщение.XOR всегда сходится к 0,5 с использованием backpropagation in Sigmoidal neural net C++
Я знаю, что этот вопрос задан очень много, и я проверил множество сообщений об этой проблеме: однако мои поиски успешного обучения XOR с использованием backpropagation остаются незавершенными.
Я попытался, как и предлагалось, настроить курс обучения, импульс, смещения и т. Д., Но все равно не удался.
Сеть состоит из 2 входных нейронов, 2 скрытых нейронов, 1 выход, всего Сигмоиды. Выходной нейрон, по-видимому, всегда сходится к 0,5 для каждого входа.
Я поэтому требую ваших ценных навыков в этом отношении. Я использую самодельную библиотеку C++ (так что я могу глубоко изучить, как работают основы).
Вот строки представляющей интерес моего кода:
Получить ошибки производной от выходного нейрона
void ClOutputSigmoidNeuron::ComputeErrorGradient()
{
double wanted_output = this->m_dataset->GetNextData();
double delta = wanted_output - this->m_result_buffer;
this->m_error_gradient = delta * this->SigmoidDerivative(this->m_result_buffer);
}
Получить ошибки производной от скрытого нейрона
void ClSigmoidNeuron::ComputeErrorGradient()
{
double tmpBuffer = 0.00;
for(std::size_t i=0;i<this->m_output_connections.size();i++)
{
ClNeuron* target_neuron = (ClNeuron*)m_output_connections[i]->m_target_neuron;
tmpBuffer += (target_neuron->m_error_gradient * this->m_output_connections[i]->m_weight);
}
//Get the sigmoid derivative
this->m_error_gradient = tmpBuffer * this->SigmoidDerivative(this->m_result_buffer);
}
Обновление веса для генератора аль нейрон:
void ClNeuron::UpdateWeights()
{
for(std::size_t i=0;i<this->m_input_connections.size();i++)
{
double momentum = this->m_input_connections[i]->m_weight_last_delta * this->m_input_connections[i]->m_momentum_value;
double new_weight_delta = this->m_learning_rate * this->m_error_gradient * this->m_input_connections[i]->m_data + momentum ;
this->m_input_connections[i]->m_weight += new_weight_delta;
this->m_input_connections[i]->m_weight_last_delta = new_weight_delta;
this->m_input_connections[i]->m_number_of_time_updated++;
}
}
Передаточные функции
double ClNeuron::Sigmoid(double p_value)
{
return 1.00/(1.00 + std::exp(p_value*-1.00));
}
double ClNeuron::SigmoidDerivative(double p_value)
{
double sigmoid = this->Sigmoid(p_value);
return sigmoid * (1.00 - sigmoid);
}
Функция используется для обучения
bool ClBackPropagationSupervisedTrainer::Train()
{
for (std::size_t i = 0; i < this->m_dataset_size; i++)
{
this->m_network->Fire();
if (!this->m_network->ComputeErrorGradients())
{
std::cout << "ClBackPropagationSupervisedTrainer:Train - Oups" << std::endl;
return false;
}
this->m_network->UpdateWeights();
}
return true;
}
Опять же, спасибо за чтение этого, я знаю, этот вопрос был задан много ! Указывая на меня в правильном направлении, будем очень благодарны.