gpt4 book ai didi

python - 为什么我的网络不会学习?

转载 作者:太空宇宙 更新时间:2023-11-04 08:49:11 26 4
gpt4 key购买 nike

所以我在 tensorflow 中创建了一个卷积网络,但准确率根本不会改变。我试图让它分辨三角形和圆形之间的区别。它们颜色不同,尺寸相似。这是网络的代码。此外,当我尝试使用完全连接的网络时,准确度几乎为 1。

x = tf.placeholder("float", shape=[None, 3072])
y_ = tf.placeholder("float", shape=[None, 2])

W = tf.Variable(tf.zeros([3072, 2]))
b = tf.Variable(tf.zeros([2]))

y = tf.nn.softmax(tf.matmul(x,W) + b)

def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)

def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)

def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')

W_conv1 = weight_variable([4, 4, 3, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1,32,32,3])

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([4, 4, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([8 * 8 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 8*8*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 2])
b_fc2 = bias_variable([2])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv + 1e-9))
train_step = tf.train.AdamOptimizer(1e-6).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

self.feedin = np.reshape(self.inlist, (-1, 1, 32, 32, 3))
print(self.feedin)
sess.run(tf.initialize_all_variables())
for i in range(10000):
j = i%int(self.ent)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x:self.inlist, y_: self.outListm, keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: self.feedin[j], y_: self.outListm[j], keep_prob: 0.5})

这是其中的两张图片。

enter image description here

enter image description here

这就是我用来创建 self.in 的。我已对其进行更改,以便图像的形状保持不变,但问题仍然存在。

name = QtGui.QFileDialog.getOpenFileNames(self, 'Open File')
fname = [str(each) for each in name]
flist = []
dlist = []
self.inlist = [11, 32, 32, 3]
for n, val in enumerate(name):
flist.append(val)
img = Image.open(flist[n])
img.load()
data = np.asarray(img, dtype = "float32")
dlist.append(data)
self.inlist = np.concatenate([arr[np.newaxis] for arr in dlist])

对于 self out,我有一个包含 2 个元素的列表,如果它是三角形,则第一个元素为 2,如果它是圆形,则第二个元素为 2。

最佳答案

您不能将所有参数都初始化为零(或任何常数),这几乎是几乎所有类型的神经网络的常识。

让我们想象一个最简单的前馈网络,所有权重矩阵都初始化为相同的常数(包括但不只是零),会发生什么?无论您的输入向量是什么,同一层中所有神经元的激活(输出)都是相同的!这绝对不是你想要的。在您的情况下,您将它们全部初始化为零,这使情况变得更糟。因为除了上述缺点之外,ReLU 在零点甚至不可推导。

因此,对您而言,最佳做法是将权重矩阵 (W) 初始化为随机值,以“打破对称性”。您可以通过 random.randn() 来完成它,但是为了获得更好的性能,有很多技巧可以做到这一点,例如 Xavier 初始化、MSRA 初始化等。对于您的情况下的 ReLU 激活函数,一个可能会指导您在所有这些初始化策略中进行选择的是,您最好将权重矩阵初始化为略微正的,以防 ReLU 函数的输入为负,这可能会使 ReLU 单元变为“死”单元(梯度永远为零) .

关于python - 为什么我的网络不会学习?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37175131/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com