Python 为什么我的网络不会学习？

因此，我在tensorflow中创建了一个卷积网络，但精度不会改变。我试图让它分辨三角形和圆的区别。它们颜色不同，大小相似。这是网络的代码。另外，当我尝试使用完全连接的网络时，精确度几乎为1

x = tf.placeholder("float", shape=[None, 3072])
y_ = tf.placeholder("float", shape=[None, 2])

W = tf.Variable(tf.zeros([3072, 2]))
b = tf.Variable(tf.zeros([2]))

y = tf.nn.softmax(tf.matmul(x,W) + b)

def weight_variable(shape):
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                           strides=[1, 2, 2, 1], padding='SAME')

W_conv1 = weight_variable([4, 4, 3, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1,32,32,3])

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

W_conv2 = weight_variable([4, 4, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([8 * 8 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 8*8*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 2])
b_fc2 = bias_variable([2])

y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv + 1e-9))
train_step = tf.train.AdamOptimizer(1e-6).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

self.feedin = np.reshape(self.inlist, (-1, 1, 32, 32, 3))
print(self.feedin)
sess.run(tf.initialize_all_variables())
for i in range(10000):
    j = i%int(self.ent)
    if i%100 == 0:
        train_accuracy = accuracy.eval(feed_dict={
            x:self.inlist, y_: self.outListm, keep_prob: 1.0})
        print("step %d, training accuracy %g"%(i, train_accuracy))
    train_step.run(feed_dict={x: self.feedin[j], y_: self.outListm[j], keep_prob: 0.5})

这是其中的两张图片

这是我用来创造自我的。我已经改变了它，使图像的形状仍然存在，但问题仍然存在

name = QtGui.QFileDialog.getOpenFileNames(self, 'Open File')
fname = [str(each) for each in name]
flist = []
dlist = []
self.inlist = [11, 32, 32, 3]
for n, val in enumerate(name):
    flist.append(val)
    img = Image.open(flist[n])
    img.load()
    data = np.asarray(img, dtype = "float32")
    dlist.append(data)
self.inlist = np.concatenate([arr[np.newaxis] for arr in dlist])

---

对于自出，我有一个包含2个元素的列表，其中第一个元素是2，如果它是三角形，第二个元素是2，如果它是圆。

因为你的

1e-6

学习率太低，训练精度每次都会提高得太少。

因为你的

1e-6

学习率太低，每次训练的精度提高太少。

您不能将所有参数初始化为零（或任何常数），这几乎是所有类型神经网络的常识

让我们想象一个最简单的前馈网络，所有权重矩阵初始化为相同的常数（包括但不限于零），会发生什么？无论你的输入向量是什么，同一层中所有神经元的激活（输出）都是相同的！这绝对不是你想要的。在你的例子中，你把它们都初始化为零，这会让事情变得更糟。因为除了上面提到的缺点之外，ReLU在零点甚至是不可导的

---

因此，您的最佳实践是将权重矩阵（W）初始化为随机值，以便“打破对称性”。您可以通过

random.randn（）

来实现，但为了获得更好的性能，有很多技巧可以做到这一点，如Xavier初始化、MSRA初始化等。对于您的情况，ReLU激活函数，在所有这些初始化策略中，有一点可以指导您选择，那就是您最好将权重矩阵初始化为略为正，以防ReLU函数的输入为负，这可能会使ReLU单位变成“死”单位（梯度永远为零）。

您无法将所有参数初始化为零（或任何常数），这几乎是所有类型神经网络的常识

让我们想象一个最简单的前馈网络，所有权重矩阵初始化为相同的常数（包括但不限于零），会发生什么？无论输入向量是什么，激活（输出）同一层中的所有神经元都是相同的！这绝对不是你想要的。在你的例子中，你将它们都初始化为零，这会使情况变得更糟。因为除了上面的缺点之外，ReLU在零点甚至是不可导的

---

因此，您的最佳实践是将权重矩阵（W）初始化为随机值，以便“打破对称性”。您可以通过

random.randn（）

，但有许多技巧可以实现这一点，以获得更好的性能，如Xavier初始化、MSRA初始化等。对于您的ReLU激活功能，在所有这些初始化策略中，有一点可能会指导您选择，即您最好将权重矩阵初始化为略为正值，以防Re的输入LU函数将为负，这可能会使ReLU单位变为“死”单位（梯度永远为零）。

正如许多人所说，不能用零初始化权重参数。权重将始终使用相同的数值更新

因此，我们使用随机值进行初始化。在其他注释中，您会询问如何执行此操作。这一部分已经存在于您的代码中。调用您的函数weight_变量以获得随机初始化的权重矩阵。或者，如果您想内联执行此操作

tf.Variable(tf.truncated_normal(shape, stddev=0.1))

---

正如许多人所说，不能用零初始化权重参数。权重将始终使用相同的数值进行更新

因此，我们使用随机值进行初始化。在其他注释中，您会询问如何执行此操作。这一部分已经存在于您的代码中。调用您的函数weight_变量以获得随机初始化的权重矩阵。或者，如果您想内联执行此操作

tf.Variable(tf.truncated_normal(shape, stddev=0.1))

---

也许我遗漏了一些东西，但你不是在将W和b初始化为0s而不是随机值吗？你能分享一些示例图像吗？我正在初始化为0s。我如何将其初始化为随机值？50个图像可能远没有达到你想要的程度，以便构建一个可以推广到新图像的模型。但是，根据你的描述和code，看起来它甚至无法学习它直接训练的图像。我希望它能起作用。你说你通过一个完全连接的网络取得了很好的效果。有可能图像的编码没有保留图像的基本结构吗？CNN需要能够找到有用的，特别是局部特征。可能吗让我们看看你用来构建self.in和self.out的逻辑。也许我遗漏了一些东西，但你不是在将W和b初始化为0s而不是随机值吗？你能分享一些示例图像吗？我正在初始化为0s。我如何将其初始化为随机值？50个图像可能远不是你想要的，以便构建一个可以通用的模型但是，根据你的描述和代码，它似乎甚至无法学习它正在直接训练的图像。我希望这会起作用。你说你通过完全连接的网络取得了很好的效果。图像的编码是否可能没有保留图像的基本结构？CNNs need能够找到有用的，特别是本地功能。可能会向我们展示构建self.in和self.out时使用的逻辑。我收到一个错误，因为random.randn（）给出了float64s，但我的输入是float32s。是否有方法获得随机float32s。建议使用

tf.get_variable（）

用于创建变量。它有一个

初始值设定项

参数，您可以