Я пытался реализовать базовую нейронную сеть back-propogation в python и закончил программирование для инициализации и обучения набору веса. Однако на всех наборах, которые я тренирую, ошибка (среднеквадратичная) всегда сходится к странному числу - ошибка всегда уменьшается на дальнейших итерациях, но никогда не приближается к нулю.
Любая помощь была бы высоко оценена.градиентный спуск в нейронной сети обучение плато
import csv
import numpy as np
class NeuralNetwork:
layers = 0
shape = None
weights = []
layerIn = []
layerOut = []
def __init__(self, shape):
self.shape = shape
self.layers = len(shape) - 1
for i in range(0,self.layers):
n = shape[i]
m = shape[i+1]
self.weights.append(np.random.normal(scale=0.2, size = (m,n+1)))
def sgm(self, x):
return 1/(1+np.exp(-x))
def dersgm(self, x):
y = self.sgm(x)
return y*(y-1)
def run(self, input):
self.layerIn = []
self.layerOut = []
for i in range(self.layers):
if i == 0:
layer = self.weights[0].dot(np.vstack((input.transpose(), np.ones([1,input.shape[0]]))))
else:
layer = self.weights[i].dot(np.vstack((self.layerOut[-1], np.ones([1,input.shape[0]]))))
self.layerIn.append(layer)
self.layerOut.append(self.sgm(layer))
return self.layerOut[-1].T
def backpropogate(self, input, y, learning_rate):
deltas = []
y_hat = self.run(input)
#Calculate deltas
for i in reversed(range(self.layers)):
#for last layer
if i == self.layers-1:
error = y_hat - y
msq_error = sum(.5 * ((error) ** 2))
#returns delta, k rows for k inputs, m columns for m nodes
deltas.append(error * self.dersgm(y_hat))
else:
error = deltas[-1].dot(self.weights[i+1][:,:-1])
deltas.append(self.dersgm(self.layerOut[i]).T * error)
#Calculate weight-deltas
wdelta = []
ordered_deltas = list(reversed(deltas)) #reverse order because created backwards
#returns weight deltas, k rows for k nodes, m columns for m next layer nodes
for i in range(self.layers):
if i == 0:
#add bias
input_with_bias = np.vstack((input.T, np.ones(input.shape[0])))
#some over n rows of deltas for n training examples to get one delta for all examples
#for all nodes
wdelta.append(ordered_deltas[i].T.dot(input_with_bias.T))
else:
with_bias = np.vstack((self.layerOut[i-1], np.ones(input.shape[0])))
wdelta.append(ordered_deltas[i].T.dot(with_bias.T))
#update_weights
def update_weights(self, weight_deltas, learning_rate):
for i in range(self.layers):
self.weights[i] = self.weights[i] +\
(learning_rate * weight_deltas[i])
update_weights(self, wdelta, learning_rate)
return msq_error
#end backpropogate
def train(self, input, target, lr, run_iter):
for i in range(run_iter):
if i % 100000 == 0:
print self.backpropogate(input, target, lr)
Как должен выглядеть входной и целевой (формы)? – matousc
вход представляет собой матрицу 4x2, а целью является матрица 4x1 (вектор-столбец) –
Градиентный спуск является подергиванием относительно масштабирования на входах и размера шага неуместным ... вы проверили эти вещи? У вас есть тесты для вышеуказанного кода, которые утверждают, что вычисленные градиенты верны и т. Д.? –