时间戳

首页 > 解决方案 > 神经网络在第一次迭代后表现奇怪

python - 神经网络在第一次迭代后表现奇怪

问题描述

我是神经网络领域的新手，刚刚使用手写数字 MNIST 数据集浏览了我的第一个实际工作样本。我编写了一个代码，据我所知应该可以工作（至少在某种程度上），但我无法弄清楚是什么让它在阅读了第一个训练样本后就卡住了。我的代码如下：

from keras.datasets import mnist
import numpy as np

def relu(x):
    return (x > 0) * x

def relu_deriv(x):
    return x > 0

(x_train, y_train), (x_test, y_test) = mnist.load_data();

images = x_train[0:1000].reshape(1000, 28*28)
labels = y_train[0:1000]

test_images = x_test[0:1000].reshape(1000, 28*28)
test_labels = y_test[0:1000]

# converting the labels to a matrix
one_hot_labels = np.zeros((len(labels),10))
for i,j in enumerate(labels):
    one_hot_labels[i][j] = 1
labels = one_hot_labels


alpha = 0.005
hidden_size = 5 # size of the hidden layer

# initial weight matrixes
w1 = .2 * np.random.random(size=[784, hidden_size]) - .1
w2 = .2 * np.random.random(size=[hidden_size, 10]) - .1

for iteration in range(1000):
    error = 0
    for i in range(len(images)):
        layer_0 = images[i:i+1]
        layer_1 = relu(np.dot(layer_0, w1))
        layer_2 = np.dot(layer_1, w2)
        delta_2 = (labels[i:i+1] - layer_2)
        error += np.sum((delta_2) ** 2)
        delta_1 = delta_2.dot(w2.T) * relu_deriv(layer_1)
        w2 += alpha * np.dot(layer_1.T, delta_2)
        w1 += alpha * np.dot(layer_0.T, delta_1)
    print("error: {0}".format(error))

发生的情况是，在第一次迭代中显然有一个很大的错误，之后它被纠正为 1000，但是无论再迭代多少次，它都会永远卡在这个错误上。

标签： pythonpython-3.xmachine-learningdeep-learningdata-science

解决方案

您尚未标准化图像数据。图像数据的值范围从 0 到 255。由于这些值很大，权重的更新变得很大，导致第一次迭代后权重非常大。您可以按如下方式标准化图像数据。

images = x_train[0:1000].reshape(1000, 28*28)
images = images / 255
labels = y_train[0:1000]

test_images = x_test[0:1000].reshape(1000, 28*28)
test_images = test_images / 255
test_labels = y_test[0:1000]

推荐阅读