Python 为什么不是';这不是我的学习吗?
我正在尝试使用numpy(基于)实现一个简单的RNN,我正在训练它进行二进制加法,其中它一次一位(从末尾开始)添加两个8位无符号整数,目的是让它在必要时学会在加法过程中“携带一”。然而,它似乎没有学习。对于训练,我选择两个随机数,向前传播8个步骤,其中a和b中的一位作为输入,并在每个时间步存储输出和隐藏层值,然后向后传播8个步骤,其中我计算隐藏层错误(Python 为什么不是';这不是我的学习吗?,python,numpy,machine-learning,neural-network,recurrent-neural-network,Python,Numpy,Machine Learning,Neural Network,Recurrent Neural Network,我正在尝试使用numpy(基于)实现一个简单的RNN,我正在训练它进行二进制加法,其中它一次一位(从末尾开始)添加两个8位无符号整数,目的是让它在必要时学会在加法过程中“携带一”。然而,它似乎没有学习。对于训练,我选择两个随机数,向前传播8个步骤,其中a和b中的一位作为输入,并在每个时间步存储输出和隐藏层值,然后向后传播8个步骤,其中我计算隐藏层错误(output\u error.dot(weights\u hidden\u to\u output.T))*sigmoid\u to\u导数(隐藏
output\u error.dot(weights\u hidden\u to\u output.T))*sigmoid\u to\u导数(隐藏)+future\u hidden\u error.dot(weights\u hidden\u to\u hidden.T)
)以及通过矩阵乘以父层与子层的错误来更新每个权重矩阵。这是正确的方法吗
这是我的代码,如果它能让事情变得更清楚的话。我注意到,由于某种原因,每次我训练它时,重量都会突然疯狂地增加,它们会导致sigmoid函数溢出,从而导致训练失败。你知道这是什么原因吗
import numpy as np
np.random.seed(0)
def sigmoid(x):
return np.atleast_2d(1/(1+np.exp(-x)))
#return np.atleast_2d(np.max(x, 0.01))
def sig_deriv(x):
return x*(1-x)
def add_bias(x):
return np.hstack([np.ones((len(x), 1)), x])
def dec_to_bin(dec):
return np.array(map(int, list(format(dec, '#010b'))[2:]))
def bin_to_dec(b):
out = 0
for bit in b:
out = (out << 1) | bit
return out
batch_size = 8
learning_rate = .1
input_size = 2
hidden_size = 16
output_size = 1
weights_xh = 2 * np.random.random((input_size+1, hidden_size)) - 1
weights_hh = 2 * np.random.random((hidden_size+1, hidden_size)) - 1
weights_hy = 2 * np.random.random((hidden_size+1, output_size)) - 1
xh_update = np.zeros_like(weights_xh)
hh_update = np.zeros_like(weights_hh)
hy_update = np.zeros_like(weights_hy)
for i in xrange(10000):
a = np.random.randint(0, 2**batch_size/2)
b = np.random.randint(0, 2**batch_size/2)
sum_ = a+b
X = add_bias(np.hstack([np.atleast_2d(dec_to_bin(a)).T, np.atleast_2d(dec_to_bin(b)).T]))
y = np.atleast_2d(dec_to_bin(sum_)).T
error = 0
output_errors = []
outputs = []
hiddens = [add_bias(np.zeros((1, hidden_size)))]
#forward propagation through time
for j in xrange(batch_size):
hidden = sigmoid(X[-j-1].dot(weights_xh) + hiddens[-1].dot(weights_hh))
hidden = add_bias(hidden)
hiddens.append(hidden)
output = sigmoid(hidden.dot(weights_hy))
outputs.append(output[0][0])
output_error = (y[-j-1] - output)
error += np.abs(output_error[0])
output_errors.append((output_error * sig_deriv(output)))
future_hidden_error = np.zeros((1,hidden_size))
#backward ppropagation through time
for j in xrange(batch_size):
output_error = output_errors[-j-1]
hidden = hiddens[-j-1]
prev_hidden = hiddens[-j-2]
hidden_error = (output_error.dot(weights_hy.T) * sig_deriv(hidden)) + future_hidden_error.dot(weights_hh.T)
hidden_error = np.delete(hidden_error, 0, 1) #delete bias error
xh_update += np.atleast_2d(X[j]).T.dot(hidden_error)
hh_update += prev_hidden.T.dot(hidden_error)
hy_update += hidden.T.dot(output_error)
future_hidden_error = hidden_error
weights_xh += (xh_update * learning_rate)/batch_size
weights_hh += (hh_update * learning_rate)/batch_size
weights_hy += (hy_update * learning_rate)/batch_size
xh_update *= 0
hh_update *= 0
hy_update *= 0
if i%1000==0:
guess = map(int, map(round, outputs[::-1]))
print "Iteration {}".format(i)
print "Error: {}".format(error)
print "Problem: {} + {} = {}".format(a, b, sum_)
print "a: {}".format(list(dec_to_bin(a)))
print "+ b: {}".format(list(dec_to_bin(b)))
print "Solution: {}".format(map(int, y))
print "Guess: {} ({})".format(guess, bin_to_dec(guess))
print
将numpy导入为np
np.random.seed(0)
def乙状结肠(x):
返回np.atleast_2d(1/(1+np.exp(-x)))
#返回np.至少2维(np.最大值(x,0.01))
def sig_deriv(x):
返回x*(1-x)
def添加_偏差(x):
返回np.hstack([np.one((len(x),1)),x])
def dec_至_bin(dec):
返回np.array(map(int,list(格式(dec,#010b'))[2:]))
def bin_至dec(b):
out=0
对于b中的位:
out=(out我算出了。如果有人想知道它为什么不工作,那是因为我只乘以隐藏错误的一部分(来自输出错误的部分)通过隐藏层激活的派生。现在它可以在几千次迭代中轻松地学习加法问题。我找到了答案。如果有人想知道为什么它不起作用,那是因为我只乘以隐藏错误的一部分(来自输出错误的部分)通过隐层激活的导数。现在它很容易在几千次迭代中学习加法问题