python - 无法训练只有一个隐藏层的神经网络

Question

我试图通过使用 TensorFlow 识别 MNIST 手写数字来实现具有一个隐藏层的神经网络。我正在使用梯度下降法来训练神经网络。然而，我对 NN 的训练似乎根本不起作用，因为在训练过程中测试精度根本没有改变。

谁能帮我找出问题所在？

这是我的代码。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

batch_size = 100

n_batch = mnist.train.num_examples // batch_size

x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

#First layer of the NN
W1 = tf.Variable(tf.zeros([784,10]))
b1 = tf.Variable(tf.zeros([10]))
out1 = tf.nn.softmax(tf.matmul(x, W1) + b1)

#Second layer of the NN
W2 = tf.Variable(tf.zeros([10,10]))
b2 = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(out1, W2) + b2)

loss = tf.reduce_mean(tf.square(y - prediction))

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(101):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x:batch_xs, y:batch_ys})

        acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})
        print("Iter " + str(epoch) + ", Testing Accuracy " + str(acc))

Answer 1

不要用全零初始化您的模型。如果这样做，该点(在参数空间中)的梯度很可能也为零。这导致梯度更新不存在，因此您的参数将不会改变。为避免这种情况使用随机初始化。

即

改变

#First layer of the NN
W1 = tf.Variable(tf.zeros([784,10]))
b1 = tf.Variable(tf.zeros([10]))
out1 = tf.nn.softmax(tf.matmul(x, W1) + b1)

#Second layer of the NN
W2 = tf.Variable(tf.zeros([10,10]))
b2 = tf.Variable(tf.zeros([10]))

到

#First layer of the NN
W1 = tf.Variable(tf.truncated_normal([784,10], stddev=0.1))
b1 = tf.Variable(tf.truncated_normal([10], stddev=0.1))
out1 = tf.nn.sigmoid(tf.matmul(x, W1) + b1)
# out1 = tf.nn.softmax(tf.matmul(x, W1) + b1)

#Second layer of the NN
W2 = tf.Variable(tf.truncated_normal([10,10], stddev=0.1))
b2 = tf.Variable(tf.truncated_normal([10],stddev=0.1))

现在模型可以训练了。您还会看到我从第一层中删除了 softmax 非线性，并将其替换为 sigmoid。我这样做是因为 softmax 层对输出施加了限制:它强制该层的输出加起来为 1(这是它经常用于最后一层的原因之一:实现最终输出的概率解释)。此限制导致模型在快速测试中以 30% 的准确度停止学习。通过使用 sigmoid，准确率达到了 89%，性能要好得多。

您可以在中间层中使用的非线性的其他示例可能是:

• 双曲正切
• ReLU