c++ - 在 S 型神经网络 C++ 中使用反向传播，异或总是向 0.5 收敛

Question

再次感谢您花时间阅读这篇文章。

我知道这个问题已经被问了很多，而且我已经检查了很多关于这个问题的帖子:然而，我对使用反向传播的成功 XOR 学习的探索仍未完成。

我按照建议尝试调整学习率、动量、有/无偏差等，但仍然没有成功。

网络由 2 个输入神经元、2 个隐藏神经元、1 个输出、所有 Sigmoid 组成。对于每个输入，输出神经元似乎总是收敛在 0.5 左右。

因此，我请求您为此提供宝贵的技能。我正在使用自制的 C++ 库(因此我可以深入了解基础知识的工作原理)。

这是我的代码的兴趣线:

从输出神经元获取误差导数

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);
}

获取隐藏神经元的误差导数

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);
}

一般神经元的权重更新:

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++;
    }
}

传递函数

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);
}

用于训练的函数

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;
}

再次感谢您阅读本文，我知道这个问题已经被问了很多次了!为我指明正确的方向将不胜感激。

Answer 1

有趣的是，如果它可以帮助某人，从 Sigmoid() 网络更改为 TanH() 网络解决了这个问题。

在某种程度上它确实有意义，然而，Sigmoid 传递函数似乎非常适合此类问题，因为 XOR 已经在 0 和 1 之间标准化...