为什么我的网络无法学习？

Question

所以我在张量流中创建了一个卷积网络，但是精度根本不会改变。 我试图让它告诉三角形和圆形之间的区别。 它们是不同的颜色和相似的大小。 这是网络的代码。 另外，当我尝试使用完全连接的网络时，精度几乎为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})

这是两个图像。

这就是我用来创建self.in的东西。 我已经对其进行了更改，以使图像的形状得以保留，但是问题仍然存在。

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self out，我有一个包含2个元素的列表，其中第一个元素是2（如果是三角形），第二个元素是2（如果是圆形）。

Answer 1

您不能将所有参数初始化为零（或任何常数），这几乎是几乎所有神经网络的常识。

让我们想象一个最简单的前馈网络，其中所有权重矩阵都初始化为相同的常数（包括但不限于零），将会发生什么？ 无论您的输入矢量是什么，同一层中所有神经元的激活（输出）都将是相同的！ 这绝对不是您想要的。 在您的情况下，您将它们全部初始化为零，这使情况更糟。 因为除了上述缺点之外，ReLU甚至无法在零点导出。

因此，最佳实践是将权重矩阵（W）初始化为随机值，以“打破对称性”。 您可以通过random.randn()来完成此操作，但是有许多技巧可以实现更好的性能，例如Xavier初始化，MSRA初始化等。对于您的ReLU激活功能，一件事可能会指导您在所有方法中进行选择这些初始化策略是，最好在ReLU函数的输入为负的情况下将权重矩阵初始化为稍微为正，这可能会使ReLU单位变为“死”单位（渐变永远为零）。

Answer 2

因为您的1e-6学习率太低，所以每次训练的准确性都会提高得很少。

Answer 3

就像很多人说的那样，您不能使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。 在其他评论中，您询问如何执行此操作。 这部分已经在您的代码中。 调用函数weight_variable以获得具有随机初始化的权重矩阵。 或者，如果您想内联

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