為什么我的網絡無法學習？

Question

所以我在張量流中創建了一個卷積網絡，但是精度根本不會改變。 我試圖讓它告訴三角形和圓形之間的區別。 它們是不同的顏色和相似的大小。 這是網絡的代碼。 另外，當我嘗試使用完全連接的網絡時，精度幾乎為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})

這是兩個圖像。

這就是我用來創建self.in的東西。 我已經對其進行了更改，以使圖像的形狀得以保留，但是問題仍然存在。

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])

對於self out，我有一個包含2個元素的列表，其中第一個元素是2（如果是三角形），第二個元素是2（如果是圓形）。

Answer 1

您不能將所有參數初始化為零（或任何常數），這幾乎是幾乎所有神經網絡的常識。

讓我們想象一個最簡單的前饋網絡，其中所有權重矩陣都初始化為相同的常數（包括但不限於零），將會發生什么？ 無論您的輸入矢量是什么，同一層中所有神經元的激活（輸出）都將是相同的！ 這絕對不是您想要的。 在您的情況下，您將它們全部初始化為零，這使情況更糟。 因為除了上述缺點之外，ReLU甚至無法在零點導出。

因此，最佳實踐是將權重矩陣（W）初始化為隨機值，以“打破對稱性”。 您可以通過random.randn()來完成此操作，但是有許多技巧可以實現更好的性能，例如Xavier初始化，MSRA初始化等。對於您的ReLU激活功能，一件事可能會指導您在所有方法中進行選擇這些初始化策略是，最好在ReLU函數的輸入為負的情況下將權重矩陣初始化為稍微為正，這可能會使ReLU單位變為“死”單位（漸變永遠為零）。

Answer 2

因為您的1e-6學習率太低，所以每次訓練的准確性都會提高得很少。

Answer 3

就像很多人說的那樣，您不能使用零初始化權重參數。 權重將始終使用相同的數值進行更新。

因此，我們使用隨機值進行初始化。 在其他評論中，您詢問如何執行此操作。 這部分已經在您的代碼中。 調用函數weight_variable以獲得具有隨機初始化的權重矩陣。 或者，如果您想內聯

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