Python简单的神经网络代码不起作用

Question

我正在尝试学习神经网络，并编写了一个简单的反向传播神经网络，该网络使用 sigmoid 激活函数和随机权重初始化。我尝试与输入层中的两个输入值 3 和 2 以及输出层中的目标输出 6 相乘。当我执行代码时，w1 和 w2 的值不断增加，并且不会停止在正确的值。

我对 Python 和神经网络都很陌生，希望得到帮助。

import numpy as np
al0 = 3
bl0 = 2 
import random
w1 =random.random()
w2 =random.random()
b = 0.234
ol1 = 6
def sigm(x,deriv=False):
   if deriv==True:
       return x*(1-x)
   return 1/(1+np.exp(-x))
y = sigm(x)
E = 1/2*(ol1 - y)**2
dsig = sigm(x,True)
dyE = y-ol1

for iter in range(10000):
    syn0 = al0*w1
    syn1 = bl0*w2
    x = syn0 + syn1 + b
    dtotal1 = dyE*dsig*al0
    w1 = w1 + 0.01*dtotal1
    dtotal2 = dyE*dsig*bl0
    w2 = w2 + 0.01*dtotal2
w1
w2

Answer 1

首先您需要整理代码。这些行

y = sigm(x)
E = 1/2*(ol1 - y)**2
dsig = sigm(x,True)
dyE = y-ol1

需要在 for 循环内发生，在 x = syn0 + syn1 + b 之后。

接下来，有一些神经网络项目需要解决。 Here是反向传播的技术描述。

sigm(x) 的导数是 sigm(x) * (1 - sigm(x))，或者在您的情况下，y * ( 1 - y)，正如您所实现的那样，它是 sigm(y,True)。

您的偏见也需要更新。这是网络的关键部分，也是一个学习参数。您可以使用:

dtotalb = dyE*dsig*1
b = b - 0.01*dtotalb

乘以 1 是不必要的，但很有启发性。这是“net”术语的派生词，您将其称为 x，相对于 b，即 1。

您可能已经注意到，我为 b 提供的更新使用了 - 而不是 +。 this section的最后一行上面的链接显示这是必要的，以确保更新朝着正确的方向进行，以最大限度地减少您的错误。

最后，考虑您的网络可以输出的可能值。最终输出y是调用sigm(x)的结果。 y 可以取的值在开区间 (0,1) 内。然而，您的网络正在尝试学习 6 的值。它能得到的最接近的值几乎是 1。因此，当您继续迭代时，权重将继续增加，以尝试增加 sigmoid 的输出值。权重将无限增长。

通过所有这些更改，尝试将您的目标设置为 (0,1) 中的某个值，例如0.6。当我进行所有这些更改时，我能够使 E 减小到接近 0，并且您的权重收敛。

旁注:为了让您的网络学习值 6，您将需要另一层没有激活函数的权重。或者，您可以删除激活函数，但随后您开始失去您正在尝试学习的神经网络方法。