简单的前馈神经网络与TensorFlow不会学习

我正尝试用TensorFlow建立一个简单的神经网络。 目标是在32像素x 32像素的图像中找到矩形的中心。 该矩形由五个向量描述。 第一个矢量是位置矢量，其他四个是方向矢量并组成矩形边缘。 一个矢量有两个值（x和y）。

该图像的相应输入将是（2,5）（0,4）（6,0）（0，-4）（ - 6,0） 。 中心（以及所需的输出）位于（5,7）处 。

我想出的代码如下所示：

    import tensorflow as tf 
    import numpy as np
    import Rectangle_Records

    def init_weights(shape):
        """ Weight initialization """
        weights = tf.random_normal(shape, stddev=0.1)
        return tf.Variable(weights)

    def forwardprop(x, w_1, w_2):
        """ Forward-propagation """
        h = tf.nn.sigmoid(tf.matmul(x, w_1))
        y_predict = tf.matmul(h, w_2)
        return y_predict

    def main():
        x_size = 10
        y_size = 2
        h_1_size = 256

        # Prepare input data
        input_data = Rectangle_Records.DataSet()

        x = tf.placeholder(tf.float32, shape = [None, x_size])
        y_label = tf.placeholder(tf.float32, shape = [None, y_size])

        # Weight initializations
        w_1 = init_weights((x_size, h_1_size))
        w_2 = init_weights((h_1_size, y_size))

        # Forward propagation
        y_predict = forwardprop(x, w_1, w_2)

        # Backward propagation
        cost = tf.reduce_mean(tf.square(y_predict - y_label))

        updates = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

        # Run
        sess = tf.Session()
        init = tf.global_variables_initializer()
        sess.run(init)

        for i in range(200):
            batch = input_data.next_batch(10)
            sess.run(updates, feed_dict = {x: batch[0], y_label: batch[1]})

        sess.close()

    if __name__ == "__main__":
        main()

可悲的是，网络将无法正确学习。 结果太遥远了。 例如，[[3.74561882，3.70766664]]应该是[[3.，7.]]。 我究竟做错了什么？

---

主要的问题是你的整个训练只进行one epoch ，这没有足够的训练。 尝试以下更改：

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
for j in range(30):
    input_data = Rectangle_Records.DataSet()
    for i in range(200):
        batch = input_data.next_batch(10)
        loss, _ = sess.run([cost,updates], feed_dict = {x: batch[0], y_label: batch[1]})

    pred = sess.run(y_predict, feed_dict={x: batch[0]})
    print('Cost:', loss  )
    print('pred:', pred)
    print('actual:', batch[1])
sess.close()

将优化器更改为动量优化器以加快收敛速度​​： tf.train.AdamOptimizer(0.01).minimize(cost)

---

有很多方法可以提高神经网络的性能。 请尝试以下一项或多项措施：

添加更多图层或每层更多节点

改变你的激活功能（我发现relu非常有效）

使用神经网络的集合，其中每个神经网络通过R ^ 2得分进行加权

引入更多的培训数据

执行网格搜索以优化参数

---

你忘了添加偏见。

def init_bias(shape):
    biases = tf.random_normal(shape)
    return tf.Variable(biases)

def forwardprop(x, w_1, w_2, b_1, b_2):
    """ Forward-propagation """
    h = tf.nn.sigmoid(tf.matmul(x, w_1) + b_1)
    y_predict = tf.matmul(h, w_2) + b_2
    return y_predict

里面主要改变它到这个

w_1 = init_weights((x_size, h_1_size))
w_2 = init_weights((h_1_size, y_size))
b_1 = init_bias((h_1_size,))
b_2 = init_bias((y_size,))

# Forward propagation
y_predict = forwardprop(x, w_1, w_2, b_1, b_2)

这会给你更好的准确性。 然后，您可以尝试添加更多图层，尝试不同的激活功能，如上所述，以进一步改进。

链接地址: http://www.djcxy.com/p/5505.html

上一篇: Simple Feedforward Neural Network with TensorFlow won't learn

下一篇: Multi layered perceptron in tensorflow not behaving as expected