Python 为什么这种反向传播实现无法正确训练权重？

我以代码为例，为神经网络编写了以下反向传播例程。我所面临的问题让我感到困惑，并将我的调试技能推向了极限

我面临的问题相当简单：当神经网络训练时，它的权值被训练为零，而精度没有提高

我已多次尝试修复它，并验证：

• 训练集是正确的
• 目标向量是正确的
• 前进步骤是正确记录信息
• 后向步长增量记录正确
• 三角洲上的标志是正确的
• 重量确实在调整
• 输入层的增量都为零
• 没有其他错误或溢出警告

一些信息：

• 训练输入是一个8x8网格，由[0,16]个值组成，表示强度；该网格表示一个数字（转换为列向量）
• 目标向量是与正确数字对应的位置为1的输出
• 原始权重和偏差由高斯分布分配
• 激活是标准的乙状结肠

我不确定从这里走到哪里。我已经验证了所有我知道要检查的东西都正常运行，并且仍然不工作，所以我在这里询问。下面是我用来反向传播的代码：

def backprop(train_set, wts, bias, eta):
    learning_coef = eta / len(train_set[0])

    for next_set in train_set:
        # These record the sum of the cost gradients in the batch
        sum_del_w = [np.zeros(w.shape) for w in wts]
        sum_del_b = [np.zeros(b.shape) for b in bias]

        for test, sol in next_set:
            del_w = [np.zeros(wt.shape) for wt in wts]
            del_b = [np.zeros(bt.shape) for bt in bias]
            # These two helper functions take training set data and make them useful
            next_input = conv_to_col(test)
            outp = create_tgt_vec(sol)

            # Feedforward step
            pre_sig = []; post_sig = []
            for w, b in zip(wts, bias):
                next_input = np.dot(w, next_input) + b
                pre_sig.append(next_input)
                post_sig.append(sigmoid(next_input))
                next_input = sigmoid(next_input)

            # Backpropagation gradient
            delta = cost_deriv(post_sig[-1], outp) * sigmoid_deriv(pre_sig[-1])
            del_b[-1] = delta
            del_w[-1] = np.dot(delta, post_sig[-2].transpose())

            for i in range(2, len(wts)):
                pre_sig_vec = pre_sig[-i]
                sig_deriv = sigmoid_deriv(pre_sig_vec)
                delta = np.dot(wts[-i+1].transpose(), delta) * sig_deriv
                del_b[-i] = delta
                del_w[-i] = np.dot(delta, post_sig[-i-1].transpose())

            sum_del_w = [dw + sdw for dw, sdw in zip(del_w, sum_del_w)]
            sum_del_b = [db + sdb for db, sdb in zip(del_b, sum_del_b)]

        # Modify weights based on current batch            
        wts = [wt - learning_coef * dw for wt, dw in zip(wts, sum_del_w)]
        bias = [bt - learning_coef * db for bt, db in zip(bias, sum_del_b)]

    return wts, bias

---

---

根据Shep的建议，我检查了训练shape

[2,1,1]网络时发生的情况

始终输出1，事实上，在这种情况下，网络会正确训练。我的最佳猜测是，0的梯度调整过强，1的梯度调整过弱，导致净下降，尽管每一步都会增加，但我不确定。

我想你的问题在于初始权重的选择和权重算法的初始化。作者声称它通常比其他初始化方法的性能更差。这是权重初始化算法性能的另一个结果。根据我自己的经验，建议您使用不同的符号值初始化权重。即使在我所有正输出权重都不同的情况下也是如此ent符号的性能比使用同一符号要好。

因为您没有硬编码网络拓扑，这里有一个建议：尝试使用零或一个隐藏层（每个层有一个节点）、一个输入和一个输出进行训练，看看这是否符合您的预期。@Shep有趣的是，当使用shape

[2，1，1]在nnet上运行时

，权重实际上已正确训练。将其训练为输出1，权重实际上会增加，输出收敛于1。有趣的测试。1）通过“权重正在训练为零”，你的意思是权重一开始是随机数，但似乎收敛到零？2）你的实际网络有多大？3）尝试将你的输入缩放到[0,1]范围。@cfh是的，权重最终下降到零，尽管最初是随机的。我尝试训练的网络具有形状

[64,15,25,10]

。当输入缩放到

[0,1]

时，结果不会改变。您如何使用学习率？