Machine learning 为什么我的神经网络对不同的输入返回相同的输出？

我正在编写一个神经网络来测试我的想法。问题是，我甚至无法测试网络的性能，因为无论输入如何，它都会输出完全相同的输出

该网络正在使用MNIST数据集进行训练，有10个输出节点

简单地说，由于神经网络是如何计算数学的，即使神经网络没有收敛到任何东西，它仍然没有任何数学意义，它将输出精确相同的输出，精确到小数点后百万位

每当我重新训练网络时，它当然会有一个新的输出，可能是由于新的计算权重集。但无论输入如何，输出都保持不变

有人知道问题出在哪里吗

编辑：

我用的是一个sigmoid函数

在我训练它并查询它之后，我的输出看起来像这样

`array([[ 0.10651613],
   [ 0.11501053],
   [ 0.11034159],
   [ 0.11213908],
   [ 0.10754446],
   [ 0.09952921],
   [ 0.10827382],
   [ 0.11763775],
   [ 0.10538466],
   [ 0.10562691]])

---

然后，我将使用不同的输入查询它，并将得到相同的精确输出。

这取决于具体情况。您尚未提供任何有关网络结构、激活或输出的信息。另外，我将在黑暗中拍摄，但你可能会遇到爆炸性的梯度。我使用的是一个S形函数。在我训练它并查询它之后，我的输出看起来像这样。数组（[[0.10651613]，[0.11501053]，[0.11034159]，[0.11213908]，[0.10754446]，[0.09952921]，[0.10827382]，[0.11763775]，[0.10538466]，[0.10562691]），然后我将使用不同的输入查询它，我对这个问题和潜在的解决方案有一些想法。但如果没有任何代码，就无法确定答案。：）我只是做了更多关于爆炸梯度的研究，发现：在阅读了第一段之后，我认为它与我的问题有着密切的关系，可能会让我走上解决问题的正确道路。谢谢你的提示！如果我最终解决了这个问题，我会告诉你。（刚刚看到你的下一条消息）是的，我理解你的观点，并认为这个问题可能会出现。问题是，我不太愿意把我的代码发布到网上，因为我认为我的想法可能真的很有价值，而且我不想冒险让别人为我的想法争光。