2010-11-16 77 views
2

我試圖教2個輸入,4個隱藏節點(全部在同一層)和1個輸出節點的神經網絡。二進制表示可以正常工作,但是我對雙極性有問題。我無法弄清楚爲什麼,但總誤差有時會彙集到2.xx左右的相同數字。我的sigmoid是2 /(1 + exp(-x)) - 1.也許我在sigmoiding在錯誤的地方。例如,爲了計算輸出誤差,我應該比較sigmoided輸出與期望值還是sigmoided期望值?神經網絡教學:雙極XOR

我在這裏關注這個網站:http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html,但他們使用不同的功能,然後我被指示使用。即使當我嘗試實現他們的功能時,我仍遇到同樣的問題。無論哪種方式,我停留在相同數量的一半時間(不同的實現不同的數字)。請告訴我,如果我的代碼在某個地方犯了錯誤,或者這是正常的(我不明白這是怎麼回事)。動量被設置爲0.這是一個常見的0動量問題嗎?我們應該使用錯誤的功能是:

如果UI是一個輸出單元

Error(i) = (Ci - ui) * f'(Si)

如果用戶界面是一個隱藏的單元

Error(i) = Error(Output) * weight(i to output) * f'(Si)

public double sigmoid(double x) { 
    double fBipolar, fBinary, temp; 
    temp = (1 + Math.exp(-x)); 
    fBipolar = (2/temp) - 1; 
    fBinary = 1/temp; 
    if(bipolar){ 
     return fBipolar; 
    }else{ 
     return fBinary; 
    } 

} 

// Initialize the weights to random values. 
private void initializeWeights(double neg, double pos) { 
    for(int i = 0; i < numInputs + 1; i++){ 
     for(int j = 0; j < numHiddenNeurons; j++){ 
      inputWeights[i][j] = Math.random() - pos; 
      if(inputWeights[i][j] < neg || inputWeights[i][j] > pos){ 
       print("ERROR "); 
       print(inputWeights[i][j]); 
      } 
     } 
    } 
    for(int i = 0; i < numHiddenNeurons + 1; i++){ 
     hiddenWeights[i] = Math.random() - pos; 
     if(hiddenWeights[i] < neg || hiddenWeights[i] > pos){ 
      print("ERROR "); 
      print(hiddenWeights[i]); 
     } 
    } 
} 

// Computes output of the NN without training. I.e. a forward pass 
public double outputFor (double[] argInputVector) { 
    for(int i = 0; i < numInputs; i++){ 
     inputs[i] = argInputVector[i]; 
    } 
    double weightedSum = 0; 
    for(int i = 0; i < numHiddenNeurons; i++){ 
     weightedSum = 0; 
     for(int j = 0; j < numInputs + 1; j++){ 
      weightedSum += inputWeights[j][i] * inputs[j]; 
     } 
     hiddenActivation[i] = sigmoid(weightedSum); 
    } 

    weightedSum = 0; 
    for(int j = 0; j < numHiddenNeurons + 1; j++){ 
     weightedSum += (hiddenActivation[j] * hiddenWeights[j]); 
    } 

    return sigmoid(weightedSum); 
} 

    //Computes the derivative of f 
public static double fPrime(double u){ 
    double fBipolar, fBinary; 
    fBipolar = 0.5 * (1 - Math.pow(u,2)); 
    fBinary = u * (1 - u); 
    if(bipolar){ 
     return fBipolar; 
    }else{ 
     return fBinary; 
    } 
} 

// This method is used to update the weights of the neural net. 
public double train (double [] argInputVector, double argTargetOutput){ 
    double output = outputFor(argInputVector); 
    double lastDelta; 

    double outputError = (argTargetOutput - output) * fPrime(output); 

    if(outputError != 0){ 
     for(int i = 0; i < numHiddenNeurons + 1; i++){ 
      hiddenError[i] = hiddenWeights[i] * outputError * fPrime(hiddenActivation[i]); 
      deltaHiddenWeights[i] = learningRate * outputError * hiddenActivation[i] + (momentum * lastDelta); 
      hiddenWeights[i] += deltaHiddenWeights[i]; 
     } 

     for(int in = 0; in < numInputs + 1; in++){ 
      for(int hid = 0; hid < numHiddenNeurons; hid++){ 
       lastDelta = deltaInputWeights[in][hid]; 
       deltaInputWeights[in][hid] = learningRate * hiddenError[hid] * inputs[in] + (momentum * lastDelta); 
       inputWeights[in][hid] += deltaInputWeights[in][hid]; 
      } 
     } 
    } 

    return 0.5 * (argTargetOutput - output) * (argTargetOutput - output); 
} 

回答

3

通用編碼評論:

initializeWeights(-1.0, 1.0); 

實際上可能不會獲得您期望的初始值。

initializeWeights大概應該有:

inputWeights[i][j] = Math.random() * (pos - neg) + neg; 
// ... 
hiddenWeights[i] = (Math.random() * (pos - neg)) + neg; 

代替:

Math.random() - pos; 

,這樣工作的:

initializeWeights(0.0, 1.0); 

,併爲您提供了0.0和1.0之間的初始值,而不是之間-1.0和0.0。

lastDelta使用聲明之前:

deltaHiddenWeights[i] = learningRate * outputError * hiddenActivation[i] + (momentum * lastDelta); 

我不知道如果+ 1numInputs + 1numHiddenNeurons + 1是必要的。

請記住注意四捨五入:5/2 = 2,而不是2.5! 改爲使用5.0/2.0。通常,當輸出應該是double時,在代碼中添加.0。

最重要的是,你有沒有足夠長的時間訓練NeuralNet?

嘗試使用numInputs = 2,numHiddenNeurons = 4,learningRate = 0.9和訓練1,000或10,000次來運行它。

使用numHiddenNeurons = 2它試圖解決異或問題時有時會「卡住」。

另請參見XOR problem - simulation