我创建了一个神经网络,并尝试对其进行训练,直到我添加了一个偏差。在
根据我在训练时收集到的信息,偏差会调整以上下移动预期输出,权重趋向于一个有助于YHat模拟某些功能的值,因此对于两层网络:
output = tanh(tanh(X0W0 + b0)W1 + b1)
在实践中,我发现W将所有权重设置为接近0,而b几乎与Y的训练输出相呼应。这基本上使输出对训练的数据完美地工作,但是当你给它不同种类的数据时,它总是给出相同的输出。在
这引起了相当大的混乱。我知道偏差的作用是上下移动激活图,但当涉及到训练时,它似乎使整个神经网络的目的变得无关。以下是我的培训方法:
^{pr2}$以及调整偏差的代码。(注:epsilon是我的训练率,lambda是正规化率)
def adjustWeights(self, err):
self.__weights = self.__weights - (err * self.__epsilon + self.__lambda * self.__weights)
def adjustBiases(self, err):
a = np.sum(np.multiply(err, self.localPartialGrad), axis=1) * self.__epsilon
a.shape = (err.shape[0], 1)
self.__biases = self.__biases - a
这是我为这个网络做的计算。在
Z0 = X0W0 + b0
X1 = relu(Z0)
Z1 = X1W1 + b1
X2 = relu(Z1)
a = YHat-X2
#Note the second part is for regularisation
loss = ((1/2)*(a^2)) + (lambda*(1/2)*(sum(W1^2) + sum(W2^2)))
现在是衍生品
dloss/dW1 = -(YHat-X2)*relu'(X1W1 + b1)X1
dloss/dW0 = -(YHat-X2)*relu'(X1W1 + b1)W1*relu'(X0W0 + b0)X0
dloss/db1 = -(YHat-X2)*relu'(X1W1 + b1)
dloss/db0 = -(YHat-X2)*relu'(X1W1 + b1)W1*relu'(X0W0 + b0)
我猜我做错了什么,但我不知道是什么。我试着用以下输入来训练这个网络
X = np.array([[0.0], [1.0], [2.0], [3.0]])
Xnorm = X / np.amax(X)
Y = np.array([[0.0], [2.0], [4.0], [6.0]])
Ynorm = Y / np.amax(Y)
我得到的输出是:
post training:
shape: (4, 1)
[[0. ]
[1.99799666]
[3.99070622]
[5.72358125]]
Expected:
[[0.]
[2.]
[4.]
[6.]]
看起来很棒。。。在你转发其他内容之前:
shape: (4, 1)
[[2.]
[3.]
[4.]
[5.]]
然后我得到:
shape: (4, 1)
[[0.58289512]
[2.59967085]
[4.31654068]
[5.74322541]]
Expected:
[[4.]
[6.]
[8.]
[10.]]
我想“也许这是我听说过的邪恶的‘过度适应’”,于是决定加入一些规则化,但即使这样也不能真正解决问题,为什么从逻辑角度讲,将偏差设置为与输出相等并使权重为零更为合理。。。有人能解释一下我的想法出了什么问题吗?在
这是训练后的网络结构(注意,如果将输出乘以训练Y的最大值,则会得到预期的输出:)
===========================NeuralNetwork===========================
Layers:
===============Layer 0 :===============
Weights: (1, 3)
[[0.05539559 0.05539442 0.05539159]]
Biases: (4, 1)
[[0. ]
[0.22897166]
[0.56300199]
[1.30167665]]
==============\Layer 0 :===============
===============Layer 1 :===============
Weights: (3, 1)
[[0.29443245]
[0.29442639]
[0.29440642]]
Biases: (4, 1)
[[0. ]
[0.13199981]
[0.32762199]
[1.10023446]]
==============\Layer 1 :===============
==========================\NeuralNetwork===========================
图y=2x在x=0处有一个y截距交叉,因此当我们不向上或向下移动图形时,所有的偏差都为0是有意义的。。。正确的?在
谢谢你读到这么远!在
编辑:
这是损失图:
编辑2:
我只是试着用一个权重和输出来做这个,下面是我得到的输出结构:
===========================NeuralNetwork===========================
Layers:
===============Layer 0 :===============
Weights: (1, 1)
[[0.47149317]]
Biases: (4, 1)
[[0. ]
[0.18813419]
[0.48377987]
[1.33644038]]
==============\Layer 0 :===============
==========================\NeuralNetwork===========================
对于这个输入:
shape: (4, 1)
[[2.]
[3.]
[4.]
[5.]]
我得到了这个输出:
shape: (4, 1)
[[4.41954787]
[5.53236625]
[5.89599366]
[5.99257962]]
什么时候应该是:
Expected:
[[4.]
[6.]
[8.]
[10.]]
注意偏差的问题仍然存在,你会认为在这种情况下,权重是2,偏差是0。在
移动了OP问题的答案
结果我从来没有正确处理过我的训练数据。输入向量:
归一化后,我将这个向量除以输入的最大值3,得到
^{pr2}$对于输入的Y训练向量
我愚蠢地决定对这个向量做同样的处理,但是最大值是y6:
^{4}$所以基本上我是说“嘿,网络,模仿我的输入”。这是我的第一个错误。第二个错误是由于对缩放比例的更多误解。在
虽然1是0.333,0.333*2=0.666,然后乘以y(6)6*0.666=2的最大值,如果我用另一组数据再试一次,请说:
2等于2/5=0.4,0.4*2=0.8,乘以5就是2,然而在现实世界中,我们无法知道5是数据集的最大输出,因此我想它可能是Y训练的最大值,也就是6,所以不是2/5=0.4,0.4*2=0.8*5,我做了2/5=0.4,0.4*2=0.8*6=4.8。在
所以我得到了一些奇怪的偏差和权重的行为。所以在基本上摆脱了标准化之后,我可以自由地调整超参数,现在作为基础训练数据的输出:
输入:
我得到这个输出:
对于额外的测试数据(未经培训):
我得到这个输出:
所以现在我很高兴。我还把我的激活改为漏泄relu,因为它应该更适合线性方程(我认为)。我相信有更多的测试数据和更多的超参数调整,这将是一个完美的配合。谢谢大家的帮助。试着解释我的问题真的能让事情有一个正确的角度。在
相关问题 更多 >
编程相关推荐