Python Softmax神经网络在实现时存在错误,但在正确实现时不起作用
我已经尝试解决这个问题好几天了,但运气不好。我一直在实现一个简单的神经网络与一个单一的隐藏层从头开始,只是为了我自己的理解。我已经成功地用sigmoid、tanh和relu激活实现了二进制分类,现在我正在尝试在多类分类的输出中使用softmax 在我遇到的每个关于softmax实现的教程中,包括我的讲师的笔记,输出层的softmax交叉熵误差的导数被简化为仅Python Softmax神经网络在实现时存在错误,但在正确实现时不起作用,python,machine-learning,neural-network,classification,softmax,Python,Machine Learning,Neural Network,Classification,Softmax,我已经尝试解决这个问题好几天了,但运气不好。我一直在实现一个简单的神经网络与一个单一的隐藏层从头开始,只是为了我自己的理解。我已经成功地用sigmoid、tanh和relu激活实现了二进制分类,现在我正在尝试在多类分类的输出中使用softmax 在我遇到的每个关于softmax实现的教程中,包括我的讲师的笔记,输出层的softmax交叉熵误差的导数被简化为仅预测-标签,因此本质上从真实标签位置的预测值中减去1 然而,我发现,如果使用这种方法,那么我的网络的误差将持续增加,直到它收敛到总是预测一个
预测-标签
,因此本质上从真实标签位置的预测值中减去1
然而,我发现,如果使用这种方法,那么我的网络的误差将持续增加,直到它收敛到总是预测一个随机类为100%,另一个为0%。有趣的是,如果我将其更改为标签-预测
,它在我学习下面的二进制XOR函数的简单测试中非常有效。不幸的是,如果我尝试将相同的网络应用于更复杂的问题(手写字母-26类),当使用labels-predictions
或predictions-labels
时,它再次收敛到以100%的概率输出一个类
我不知道为什么这行不正确的代码适用于简单的二进制分类,但不适用于包含许多类的分类。我假设我的代码中有其他的东西,这个不正确的更改实际上是在逆转这个错误,但是我找不到它可能在哪里
import numpy as np
class MLP:
def __init__(self, numInputs, numHidden, numOutputs):
# MLP architecture sizes
self.numInputs = numInputs
self.numHidden = numHidden
self.numOutputs = numOutputs
# MLP weights
self.IH_weights = np.random.rand(numInputs, numHidden) # Input -> Hidden
self.HO_weights = np.random.rand(numHidden, numOutputs) # Hidden -> Output
# Gradients corresponding to weight matrices computed during backprop
self.IH_w_gradients = np.zeros_like(self.IH_weights)
self.HO_w_gradients = np.zeros_like(self.HO_weights)
def sigmoid(self, x):
return 1 / (1 + np.exp(-x))
def sigmoidDerivative(self, x):
return x * (1 - x)
def softmax(self, x):
# exps = np.exp(x)
exps = np.exp(x - np.max(x)) # Allows for large values
return exps / np.sum(exps)
def forward(self, input):
self.I = np.array(input).reshape(1, self.numInputs) # (numInputs, ) -> (1, numInputs)
self.H = self.I.dot(self.IH_weights)
self.H = self.sigmoid(self.H)
self.O = self.H.dot(self.HO_weights)
self.O = self.softmax(self.O)
self.O += 1e-10 # Allows for log(0)
return self.O
def backwards(self, label):
self.L = np.array(label).reshape(1, self.numOutputs) # (numOutputs, ) -> (1, numOutputs)
self.O_error = - np.sum([t * np.log(y) for y, t in zip(self.O, self.L)])
# self.O_delta = self.O - self.L # CORRECT (not working)
self.O_delta = self.L - self.O # INCORRECT (working)
self.H_error = self.O_delta.dot(self.HO_weights.T)
self.H_delta = self.H_error * self.sigmoidDerivative(self.H)
self.IH_w_gradients += self.I.T.dot(self.H_delta)
self.HO_w_gradients += self.H.T.dot(self.O_delta)
return self.O_error
def updateWeights(self, learningRate):
self.IH_weights += learningRate * self.IH_w_gradients
self.HO_weights += learningRate * self.HO_w_gradients
self.IH_w_gradients = np.zeros_like(self.IH_weights)
self.HO_w_gradients = np.zeros_like(self.HO_weights)
data = [
[[0, 0], [1, 0]],
[[0, 1], [0, 1]],
[[1, 0], [0, 1]],
[[1, 1], [1, 0]]
]
mlp = MLP(2, 5, 2)
numEpochs = 10000
learningRate = 0.1
for epoch in range(numEpochs):
epochLosses, epochAccuracies = [], []
for i in range(len(data)):
prediction = mlp.forward(data[i][0])
# print(prediction, "\n")
label = data[i][1]
loss = mlp.backwards(label)
epochLosses.append(loss)
epochAccuracies.append(np.argmax(prediction) == np.argmax(label))
mlp.updateWeights(learningRate)
if epoch % 1000 == 0 or epoch == numEpochs - 1:
print("EPOCH:", epoch)
print("LOSS: ", np.mean(epochLosses))
print("ACC: ", np.mean(epochAccuracies) * 100, "%\n")
softmax函数是否为def softmax(x):返回np.exp(x)/np.sum(np.exp(x),axis=0)@karthikbharadwaj,该函数也不起作用-它会导致负损失值。我认为它应该是
轴=-1
,如果我的数据在更高的维度上,这只会产生影响。