Python TensorFlow MLP未训练XOR

我用谷歌的图书馆建立了一个MLP。网络正在运行，但不知何故它拒绝正确学习。无论实际输入是什么，它总是收敛到接近1.0的输出

可以看到完整的代码

有什么想法吗

---

输入和输出（批量4）如下所示：

input_data = [[0., 0.], [0., 1.], [1., 0.], [1., 1.]]  # XOR input
output_data = [[0.], [1.], [1.], [0.]]  # XOR output

n_input = tf.placeholder(tf.float32, shape=[None, 2], name="n_input")
n_output = tf.placeholder(tf.float32, shape=[None, 1], name="n_output")

---

隐藏层配置：

# hidden layer's bias neuron
b_hidden = tf.Variable(0.1, name="hidden_bias")

# hidden layer's weight matrix initialized with a uniform distribution
W_hidden = tf.Variable(tf.random_uniform([2, hidden_nodes], -1.0, 1.0), name="hidden_weights")

# calc hidden layer's activation
hidden = tf.sigmoid(tf.matmul(n_input, W_hidden) + b_hidden)

W_output = tf.Variable(tf.random_uniform([hidden_nodes, 1], -1.0, 1.0), name="output_weights")  # output layer's weight matrix
output = tf.sigmoid(tf.matmul(hidden, W_output))  # calc output layer's activation

cross_entropy = -tf.reduce_sum(n_output * tf.log(output))

---

输出层配置：

# hidden layer's bias neuron
b_hidden = tf.Variable(0.1, name="hidden_bias")

# hidden layer's weight matrix initialized with a uniform distribution
W_hidden = tf.Variable(tf.random_uniform([2, hidden_nodes], -1.0, 1.0), name="hidden_weights")

# calc hidden layer's activation
hidden = tf.sigmoid(tf.matmul(n_input, W_hidden) + b_hidden)

W_output = tf.Variable(tf.random_uniform([hidden_nodes, 1], -1.0, 1.0), name="output_weights")  # output layer's weight matrix
output = tf.sigmoid(tf.matmul(hidden, W_output))  # calc output layer's activation

cross_entropy = -tf.reduce_sum(n_output * tf.log(output))

---

我的学习方法如下所示：

loss = tf.reduce_mean(cross_entropy)  # mean the cross_entropy
optimizer = tf.train.GradientDescentOptimizer(0.01)  # take a gradient descent for optimizing
train = optimizer.minimize(loss)  # let the optimizer train

cvalues = sess.run([train, loss, W_hidden, b_hidden, W_output],
                   feed_dict={n_input: input_data, n_output: output_data})

(...)
step: 2000
loss: 0.0137040186673
b_hidden: 1.3272010088
W_hidden: [[ 0.23195425  0.53248233 -0.21644847 -0.54775208  0.52298909]
 [ 0.73933059  0.51440752 -0.08397482 -0.62724304 -0.53347367]]
W_output: [[ 1.65939867]
 [ 0.78912479]
 [ 1.4831928 ]
 [ 1.28612828]
 [ 1.12486529]]

(--- finished with 2000 epochs ---)

(Test input for validation:)

input: [0.0, 0.0] | output: [[ 0.99339396]]
input: [0.0, 1.0] | output: [[ 0.99289012]]
input: [1.0, 0.0] | output: [[ 0.99346077]]
input: [1.0, 1.0] | output: [[ 0.99261558]]

我尝试了交叉熵的两种设置：

# hidden layer's bias neuron
b_hidden = tf.Variable(0.1, name="hidden_bias")

# hidden layer's weight matrix initialized with a uniform distribution
W_hidden = tf.Variable(tf.random_uniform([2, hidden_nodes], -1.0, 1.0), name="hidden_weights")

# calc hidden layer's activation
hidden = tf.sigmoid(tf.matmul(n_input, W_hidden) + b_hidden)

W_output = tf.Variable(tf.random_uniform([hidden_nodes, 1], -1.0, 1.0), name="output_weights")  # output layer's weight matrix
output = tf.sigmoid(tf.matmul(hidden, W_output))  # calc output layer's activation

cross_entropy = -tf.reduce_sum(n_output * tf.log(output))

及

其中，

n\u output

是

output\u data

中描述的原始输出，

output

是我的网络的预测值/计算值

---

for循环中的训练（对于n个时代）如下所示：

loss = tf.reduce_mean(cross_entropy)  # mean the cross_entropy
optimizer = tf.train.GradientDescentOptimizer(0.01)  # take a gradient descent for optimizing
train = optimizer.minimize(loss)  # let the optimizer train

cvalues = sess.run([train, loss, W_hidden, b_hidden, W_output],
                   feed_dict={n_input: input_data, n_output: output_data})

(...)
step: 2000
loss: 0.0137040186673
b_hidden: 1.3272010088
W_hidden: [[ 0.23195425  0.53248233 -0.21644847 -0.54775208  0.52298909]
 [ 0.73933059  0.51440752 -0.08397482 -0.62724304 -0.53347367]]
W_output: [[ 1.65939867]
 [ 0.78912479]
 [ 1.4831928 ]
 [ 1.28612828]
 [ 1.12486529]]

(--- finished with 2000 epochs ---)

(Test input for validation:)

input: [0.0, 0.0] | output: [[ 0.99339396]]
input: [0.0, 1.0] | output: [[ 0.99289012]]
input: [1.0, 0.0] | output: [[ 0.99346077]]
input: [1.0, 1.0] | output: [[ 0.99261558]]

我正在将结果保存为cvalues，以便调试打印

丢失

，

隐藏

---

无论我尝试了什么，当我测试我的网络，尝试验证输出时，它总是产生如下结果：

loss = tf.reduce_mean(cross_entropy)  # mean the cross_entropy
optimizer = tf.train.GradientDescentOptimizer(0.01)  # take a gradient descent for optimizing
train = optimizer.minimize(loss)  # let the optimizer train

cvalues = sess.run([train, loss, W_hidden, b_hidden, W_output],
                   feed_dict={n_input: input_data, n_output: output_data})

(...)
step: 2000
loss: 0.0137040186673
b_hidden: 1.3272010088
W_hidden: [[ 0.23195425  0.53248233 -0.21644847 -0.54775208  0.52298909]
 [ 0.73933059  0.51440752 -0.08397482 -0.62724304 -0.53347367]]
W_output: [[ 1.65939867]
 [ 0.78912479]
 [ 1.4831928 ]
 [ 1.28612828]
 [ 1.12486529]]

(--- finished with 2000 epochs ---)

(Test input for validation:)

input: [0.0, 0.0] | output: [[ 0.99339396]]
input: [0.0, 1.0] | output: [[ 0.99289012]]
input: [1.0, 0.0] | output: [[ 0.99346077]]
input: [1.0, 1.0] | output: [[ 0.99261558]]

---

因此，它不是正确地学习，而是总是收敛到接近1.0，无论输入的是什么。

我不能评论，因为我没有足够的声誉，但我对这个答案有一些疑问。$L_2$损失函数是有意义的，因为它基本上是MSE函数，但是为什么交叉熵不起作用呢？当然也适用于其他NN LIB。其次，为什么从$[0,1]->[-1,1]$转换输入空间会有任何影响，特别是因为添加了偏差向量

编辑这是一个使用交叉熵和从多个来源热编译的解决方案 编辑^2将代码更改为使用交叉熵，无需任何额外编码或任何奇怪的目标值移动

import math
import tensorflow as tf
import numpy as np

HIDDEN_NODES = 10

x = tf.placeholder(tf.float32, [None, 2])
W_hidden = tf.Variable(tf.truncated_normal([2, HIDDEN_NODES]))
b_hidden = tf.Variable(tf.zeros([HIDDEN_NODES]))
hidden = tf.nn.relu(tf.matmul(x, W_hidden) + b_hidden)

W_logits = tf.Variable(tf.truncated_normal([HIDDEN_NODES, 1]))
b_logits = tf.Variable(tf.zeros([1]))
logits = tf.add(tf.matmul(hidden, W_logits),b_logits)


y = tf.nn.sigmoid(logits)


y_input = tf.placeholder(tf.float32, [None, 1])



loss = -(y_input * tf.log(y) + (1 - y_input) * tf.log(1 - y))

train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

init_op = tf.initialize_all_variables()

sess = tf.Session()
sess.run(init_op)

xTrain = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])


yTrain = np.array([[0], [1], [1], [0]])


for i in xrange(2000):
  _, loss_val,logitsval = sess.run([train_op, loss,logits], feed_dict={x: xTrain, y_input: yTrain})

  if i % 10 == 0:
    print "Step:", i, "Current loss:", loss_val,"logits",logitsval

print "---------"
print sess.run(y,feed_dict={x: xTrain})

---

与此同时，在一位同事的帮助下，我修复了我的解决方案，并希望发布完整的解决方案。我的解决方案在不改变训练数据的情况下使用交叉熵和。此外，它具有所需的输入形状（1,2），并且输出为标量

它使用了

AdamOptimizer

，它比

gradientdescentomptimizer

更快地减少了误差。有关优化器的更多信息（&问题^^^）

事实上，我的网络仅在400-800个学习步骤中就产生了相当好的效果

经过2000个学习步骤后，输出几乎“完美”：

---

---

您的

b_hidden

变量是一个标量-这是故意的吗？我认为应该将其创建为

b_hidden=tf.Variable（tf.constant（0.1，shape=[hidden_nodes]），name=“hidden_bias”）

，这可能会有所帮助。另一个尝试是在输出层中添加一个

b_输出

bias项。谢谢您的评论。事实上，我只是没有注意到

b_hidden

也应该是一个向量，而不是一个标量……然而，对于每个输入，网络仍然收敛到接近1.0，无论有无隐藏偏差，作为标量或向量，无论输出层有无偏差。我真的认为我在学习方法或网络架构中遗漏了一些错误：/使用交叉熵来解决XOR作为分类问题当然是可能的（我回答了前面的一个问题：）。这个问题是作为回归问题提出的，MSE更适合于回归问题。我不太清楚为什么需要重新缩放输入数据，但可能它陷入了局部最小值？好吧，也许，但XOR错误曲面是否包含局部最小值？或者只有一个本地min，即全球minAlso：为什么没有一个热的MINAL就不能工作！如果你可能是一维的目标，改变相应的权重矩阵，它就不起作用了——吹到南斯——我不确定整个张量流是否更适合NNI。我刚刚编辑了我的答案，指出重新缩放不是绝对必要的（只是需要更长的时间才能收敛到给定的学习速度）。不确定需要一个hot是什么意思：我的答案没有使用它。也许你可以把你的问题作为一个单独的问题来提出？当然，为什么yTrain=np。当所需的输出是1-d[0,1,1]，数组（[[1,0]，[0,1]，[1,0]）需要是二维的？