神經網絡爲同一輸入提供不同的輸出

Question

神經網絡爲相同輸入輸出不同值的可能原因是什麼？特別是當沒有任何隨機或隨機過程？

Answer 1

這是一個非常廣泛和普遍的問題，可能甚至過於寬泛，甚至可以在這裏，但有幾件事情你應該知道的神經網絡：

1. 他們不方法找到一個完美的最佳解決方案。一個神經網絡通常學習它的例子，並「計算出」一種預測結果的方法相當好。合理是相對的，對於某些模型可能意味着50％的成功，對於其他模型而言，任何短於99.9％的將被視爲失敗。

2. 他們的結果是非常依賴於被訓練的數據。數據順序很重要，在培訓期間洗牌數據通常是一個好主意，但這可能會導致截然不同的結果。此外，數據的質量很重要 - 例如，如果訓練數據在性質上與測試數據非常不同。

3. 神經網絡在計算中的最佳類比當然是大腦。即使有相同的信息和相同的基本生物學基礎，我們也可以根據無盡的其他變量對事物發表不同的觀點。在某種程度上與計算機學習一樣。

4. 某些類型的神經網絡使用dropout層，專門設計用於在訓練期間關閉網絡中的隨機部分。這不應該影響最終的預測過程，因爲對於預測層通常被設置爲允許網絡的所有部分操作，但是如果您輸入數據並告訴模型它是「訓練」而不是要求它預測，結果可能會有很大差異。

所有這一切的總和只是說：神經網絡的培訓應該期望從類似的初始條件產生不同的結果，所以必須爲每個條件來確定哪些部分被測試多次它是不可避免的，哪些不是。

Answer 2

這可能是由於數據混洗造成的，如果您想使用相同的矢量，則應關閉shuffle參數。