Tensorflow多層感知器圖形不會收斂

Question

我是python和tensorflow的新手。在更好（可能）瞭解DNN和它的數學後。我開始學習通過練習來使用張量流。

我的一個練習是預測x^2。這意味着經過良好的訓練。當我給5.0時，它會預測25.0。

參數和設置：

成本函數= E（（Y-Y'）^ 2）

兩個隱含層和它們完全連接。

learning_rate = 0.001

n_hidden_​​1 = 3

n_hidden_​​2 = 2

n_input = 1

n_output = 1

def multilayer_perceptron(x, weights, biases): 
    # Hidden layer with RELU activation 
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1']) 
    layer_1 = tf.nn.relu(layer_1) 
    # Hidden layer with RELU activation 
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2']) 
    layer_2 = tf.nn.relu(layer_2) 
    # Output layer with linear activation 
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out'] 
    return out_layer 

def generate_input(): 
    import random 

    val = random.uniform(-10000, 10000) 
    return np.array([val]).reshape(1, -1), np.array([val*val]).reshape(1, -1) 


# tf Graph input 
# given one value and output one value 
x = tf.placeholder("float", [None, 1]) 
y = tf.placeholder("float", [None, 1]) 
pred = multilayer_perceptron(x, weights, biases) 

# Define loss and optimizer 
distance = tf.sub(pred, y) 
cost = tf.reduce_mean(tf.pow(distance, 2)) 
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost) 

init = tf.initialize_all_variables() 

# Launch the graph 
with tf.Session() as sess: 
    sess.run(init) 
    avg_cost = 0.0 

    for iter in range(10000): 
     inp, ans = generate_input() 
     _, c = sess.run([optimizer, cost], feed_dict={x: inp, y: ans}) 
     print('iter: '+str(iter)+' cost='+str(c)) 

然而，事實證明是c有時變得更大，有時更低。 （但是很大）

Answer 1

由於val = random.uniform(-10000, 10000)聲明你的訓練數據似乎有很大的範圍，所以在訓練之前儘量做一些數據預處理。例如，

val = random.uniform(-10000, 10000) 
val = np.asarray(val).reshape(1, -1) 
val -= np.mean(val, axis=0) 
val /= np.std(val, axis=0) 

至於損失價值，這是確定，有時它變得更大，有時甚至更低，只要確保培訓一般劃時代的增加，當損失減少。 PS：我們經常使用SGD優化器。