Java 神经网络中的反向传播算法理解困难
我很难理解反向传播算法。我读了很多书,搜索了很多,但我不明白为什么我的神经网络不工作。我想确认我每一部分都做对了 这是我的神经网络,当它初始化时,当第一行输入[1,1]和输出[0]被设置时(正如你所看到的,我正在尝试使用XOR神经网络): 我有3层:输入、隐藏和输出。第一层(输入)和隐藏层包含2个神经元,每个神经元中有2个突触。最后一层(输出)包含一个神经元和两个突触 一个突触包含一个权重和它之前的增量(在开始时,它是0)。连接到突触的输出可以通过与突触相关联的sourceNeuron找到,如果没有sourceNeuron,则可以在输入数组中找到(如在输入层中) 类Layer.java包含神经元列表。在我的NeuralNetwork.java中,我初始化了神经网络,然后在训练集中循环。在每次迭代中,我替换输入和输出值,并调用反向传播算法上的train,该算法对当前集运行一定数量的时间(目前为1000次) 我使用的激活作用是乙状结肠 培训集和验证集为(输入1、输入2、输出): 下面是我的Neuron.java实现:Java 神经网络中的反向传播算法理解困难,java,algorithm,artificial-intelligence,neural-network,backpropagation,Java,Algorithm,Artificial Intelligence,Neural Network,Backpropagation,我很难理解反向传播算法。我读了很多书,搜索了很多,但我不明白为什么我的神经网络不工作。我想确认我每一部分都做对了 这是我的神经网络,当它初始化时,当第一行输入[1,1]和输出[0]被设置时(正如你所看到的,我正在尝试使用XOR神经网络): 我有3层:输入、隐藏和输出。第一层(输入)和隐藏层包含2个神经元,每个神经元中有2个突触。最后一层(输出)包含一个神经元和两个突触 一个突触包含一个权重和它之前的增量(在开始时,它是0)。连接到突触的输出可以通过与突触相关联的sourceNeuron找到,如
public class Neuron {
private IActivation activation;
private ArrayList<Synapse> synapses; // Inputs
private double output; // Output
private double errorToPropagate;
public Neuron(IActivation activation) {
this.activation = activation;
this.synapses = new ArrayList<Synapse>();
this.output = 0;
this.errorToPropagate = 0;
}
public void updateOutput(double[] inputs) {
double sumWeights = this.calculateSumWeights(inputs);
this.output = this.activation.activate(sumWeights);
}
public double calculateSumWeights(double[] inputs) {
double sumWeights = 0;
int index = 0;
for (Synapse synapse : this.getSynapses()) {
if (inputs != null) {
sumWeights += synapse.getWeight() * inputs[index];
} else {
sumWeights += synapse.getWeight() * synapse.getSourceNeuron().getOutput();
}
index++;
}
return sumWeights;
}
public double getDerivative() {
return this.activation.derivative(this.output);
}
[...]
}
我的类中的train方法BackpropagationStrategy.java运行while循环,并在1000次(历元)后使用训练集的一行停止。看起来是这样的:
this.forwardPropagation(neuralNetwork, inputs);
this.backwardPropagation(neuralNetwork, expectedOutput);
this.updateWeights(neuralNetwork);
以下是上述方法的所有实现(learningRate=0.45,momentum=0.9):
然后检查输出层神经元的输出
我做错什么了吗?需要一些解释
以下是我在1000年后的结果:
Real: 0.0
Current: 0.025012156926937503
Real: 1.0
Current: 0.022566830709341495
Real: 1.0
Current: 0.02768416343491415
Real: 0.0
Current: 0.024903432706154027
为什么输入层中的突触没有更新?无论在哪里,它都只更新隐藏层和输出层
正如你所看到的,这是完全错误的!它不会仅对第一列车组输出(0.0)进行1.0
更新1
下面是一个使用此集合的网络迭代:[1.0,1.0,0.0]。以下是前向传播方法的结果:
=== Input Layer
== Neuron #1
= Synapse #1
Weight: -0.19283583155573614
Input: 1.0
= Synapse #2
Weight: 0.04023817185601586
Input: 1.0
Sum: -0.15259765969972028
Output: 0.461924442180935
== Neuron #2
= Synapse #1
Weight: -0.3281099260608612
Input: 1.0
= Synapse #2
Weight: -0.4388250065958519
Input: 1.0
Sum: -0.7669349326567131
Output: 0.31714251453174147
=== Hidden Layer
== Neuron #1
= Synapse #1
Weight: 0.16703288052854093
Input: 0.461924442180935
= Synapse #2
Weight: 0.31683996162148054
Input: 0.31714251453174147
Sum: 0.17763999229679783
Output: 0.5442935820534444
== Neuron #2
= Synapse #1
Weight: -0.45330313978424686
Input: 0.461924442180935
= Synapse #2
Weight: 0.3287014377113835
Input: 0.31714251453174147
Sum: -0.10514659949771789
Output: 0.47373754172497556
=== Output Layer
== Neuron #1
= Synapse #1
Weight: 0.08643751629154495
Input: 0.5442935820534444
= Synapse #2
Weight: -0.29715579267218695
Input: 0.47373754172497556
Sum: -0.09372646936373039
Output: 0.47658552081912403
更新2
我可能有偏见的问题。我将借助以下答案进行调查:。它不会在下一个数据集返回,因此…我最终发现了问题。对于XOR,我不需要任何偏差,它正在收敛到预期值。当你对最终输出进行四舍五入时,我得到了准确的输出。所需要的是训练,然后验证,然后再次训练,直到神经网络令人满意。我一次又一次地训练每一组直到满意为止,但不是整组
// Initialize the Neural Network
algorithm.initialize(this.numberOfInputs);
int index = 0;
double errorRate = 0;
// Loop until satisfaction or after some iterations
do {
// Train the Neural Network
algorithm.train(this.trainingDataSets, this.numberOfInputs);
// Validate the Neural Network and return the error rate
errorRate = algorithm.run(this.validationDataSets, this.numberOfInputs);
index++;
} while (errorRate > minErrorRate && index < numberOfTrainValidateIteration);
在BackPropagationStrategy.java中,我更改了updateWeights方法中每个偏差的权重和增量,我将其重命名为updateWeightsAndBias
public class BackPropagationStrategy implements IStrategy, Serializable {
[...]
public void updateWeightsAndBias(NeuralNetwork neuralNetwork, double[] inputs) {
for (int i = neuralNetwork.getLayers().size() - 1; i >= 0; i--) {
Layer layer = neuralNetwork.getLayers().get(i);
for (Neuron neuron : layer.getNeurons()) {
[...]
Synapse bias = neuron.getBias();
double delta = learning * 1.0;
bias.setWeight(bias.getWeight() + delta + this.momentum * bias.getDelta());
bias.setDelta(delta);
}
}
}
[...]
有了真实数据,网络正在收敛。现在,要找到学习率、动量、错误率、神经元数量、隐藏层数量等的完美变量组合(如果可能的话)是一项修剪工作。您对函数和变量使用了令人困惑的名称。至少,这会让你的代码很难理解,最多也表明你在理解算法方面还有一些不足。例如,您使用
this.error
存储输出的导数乘以错误(因此传播的是错误的值,而不是此神经元中的错误)calculateSumWeights
似乎也有错误:此函数不能确定计算权重之和。尝试整理您的代码,并使用一个具有非常简单的数据集(一个或两个示例,具有一个或两个属性)的调试器。我应该将神经元的错误传播称为阈值吗?你叫什么名字?它可以帮助我找到一些答案。我会研究求和法,但是你看到它有什么错误吗?我不记得我曾经需要存储这个值,IIRC它只需要一次,用于传播和计算增量值。然而,在您的版本中可能需要它。我将把传播的错误称为<代码>传播错误:)在您的情况下(请注意,我可能误解了您的代码),似乎更多的是传播到前一层的错误,所以可能不是“传播错误”,而是“传播错误”。在这种情况下,我会称之为。。。(惊讶!)errorToPropagate
。我修改了名称和我的神经元类。导数仅应用于输出层,而不应用于隐藏层。此外,我发现一个错误,我没有正确链接我的隐藏层和输出层。我现在有更好的结果,但它总是去第一组的第一个输出。。。我会进一步调查的!偏差对于解决异或问题至关重要。没有偏移,所有的分离平面(线)都通过原点。例如,不可能像这样将(0,0)和(0,1)分开。
Real: 0.0
Current: 0.025012156926937503
Real: 1.0
Current: 0.022566830709341495
Real: 1.0
Current: 0.02768416343491415
Real: 0.0
Current: 0.024903432706154027
=== Input Layer
== Neuron #1
= Synapse #1
Weight: -0.19283583155573614
Input: 1.0
= Synapse #2
Weight: 0.04023817185601586
Input: 1.0
Sum: -0.15259765969972028
Output: 0.461924442180935
== Neuron #2
= Synapse #1
Weight: -0.3281099260608612
Input: 1.0
= Synapse #2
Weight: -0.4388250065958519
Input: 1.0
Sum: -0.7669349326567131
Output: 0.31714251453174147
=== Hidden Layer
== Neuron #1
= Synapse #1
Weight: 0.16703288052854093
Input: 0.461924442180935
= Synapse #2
Weight: 0.31683996162148054
Input: 0.31714251453174147
Sum: 0.17763999229679783
Output: 0.5442935820534444
== Neuron #2
= Synapse #1
Weight: -0.45330313978424686
Input: 0.461924442180935
= Synapse #2
Weight: 0.3287014377113835
Input: 0.31714251453174147
Sum: -0.10514659949771789
Output: 0.47373754172497556
=== Output Layer
== Neuron #1
= Synapse #1
Weight: 0.08643751629154495
Input: 0.5442935820534444
= Synapse #2
Weight: -0.29715579267218695
Input: 0.47373754172497556
Sum: -0.09372646936373039
Output: 0.47658552081912403
// Initialize the Neural Network
algorithm.initialize(this.numberOfInputs);
int index = 0;
double errorRate = 0;
// Loop until satisfaction or after some iterations
do {
// Train the Neural Network
algorithm.train(this.trainingDataSets, this.numberOfInputs);
// Validate the Neural Network and return the error rate
errorRate = algorithm.run(this.validationDataSets, this.numberOfInputs);
index++;
} while (errorRate > minErrorRate && index < numberOfTrainValidateIteration);
public class Neuron implements Serializable {
[...]
private Synapse bias;
public Neuron(IActivation activation) {
[...]
this.bias = new Synapse(this);
this.bias.setWeight(0.5); // Set initial weight OR keep the random number already set
}
public void updateOutput(double[] inputs) {
double sumWeights = this.calculateSumWeights(inputs);
this.output = this.activation.activate(sumWeights + this.bias.getWeight() * 1.0);
}
[...]
public class BackPropagationStrategy implements IStrategy, Serializable {
[...]
public void updateWeightsAndBias(NeuralNetwork neuralNetwork, double[] inputs) {
for (int i = neuralNetwork.getLayers().size() - 1; i >= 0; i--) {
Layer layer = neuralNetwork.getLayers().get(i);
for (Neuron neuron : layer.getNeurons()) {
[...]
Synapse bias = neuron.getBias();
double delta = learning * 1.0;
bias.setWeight(bias.getWeight() + delta + this.momentum * bias.getDelta());
bias.setDelta(delta);
}
}
}
[...]