神经网络与乙状结肠激活产生所有1's

我想在python中实现卷积神经网络。架构如下：
INPUT->[Convolution->Sigmoid->Pooling]->[Convolution->Sigmoid->Pooling]->Fully Connected Layer-> Hidden Layer->Ouput。

输入形状：28个* 28个
过滤器/加权形状，用于卷积层1：20 * 1 * 5 * 5
过滤器/加权形状，用于卷积二层：40 * 20 * 5 * 5
激活函数：乙状结肠（ 1 /（1 + e^-x））神经网络与乙状结肠激活产生所有1's

由于过滤器/砝码的大形状，在COnvolutional Layer 2中应用点积时，得到的输出值接近20或更高，随后导致sigmoid激活函数值后的输出全部为1。

输出的卷积层1：在卷积二层

[ 0.75810452 0.79819809 0.70897314 0.50897858 0.02901152 0.98447587 
0.99995668 0.99999814 0.99912627 0.7885211 0.87708188 0.76611807] 
... 
...

输出：

上convlayer2应用乙状结肠之后

[ 19.88641441 20.11005634 20.04984707 20.19106394 19.93096274 
20.1585536 19.84757161 19.79030395] 
... 
...

输出：

[ 1. 1. 1. 1. 1. 1. 1. 1.] 
... 
... 
[ 1. 1. 1. 0.99999 1. 1. 1. 1.]

我发现这个类似的问题论坛：Neural Network sigmoid function。我没有犯下蒂姆答案中指出的错误。但我无法弄清楚的是：

最后，即使有这些变化，与所有正权仍然可能会产生全1的输出完全连接的神经网络。您可以包含与抑制节点相对应的负权重，或显着减少连通性（例如，第n层中的节点连接到第n + 1层中的节点的概率为0.1）。

在convlayer2上应用sigmoid后，我应该正常化输出吗？或尝试其他的东西？

编辑：输入数据：

[[ 3. 0. 0. 3. 7. 3. 0. 3. 0. 11. 0. 0. 
     3. 0. 0. 3. 8. 0. 0. 3. 0. 0. 0. 2. 
     0. 0. 0. 0.] 
    [ 0. 0. 0. 0. 0. 0. 0. 1. 5. 0. 12. 0. 
     16. 0. 0. 4. 0. 2. 8. 3. 0. 4. 8. 0. 
     0. 0. 0. 0.] 
    [ 0. 0. 2. 0. 0. 0. 1. 2. 1. 12. 0. 8. 
     0. 0. 6. 0. 11. 0. 0. 6. 7. 2. 0. 0. 
     0. 0. 0. 0.] 
    [ 0. 1. 3. 0. 0. 2. 3. 0. 0. 0. 12. 0. 
     0. 23. 0. 0. 0. 0. 11. 3. 0. 0. 4. 0. 
     0. 0. 0. 0.] 
    [ 0. 1. 1. 0. 0. 2. 0. 0. 6. 0. 25. 27. 
     136. 135. 188. 89. 84. 25. 0. 0. 3. 1. 0. 0. 
     0. 0. 0. 0.] 
    [ 4. 0. 0. 0. 0. 0. 0. 0. 3. 88. 247. 236. 
     255. 249. 250. 227. 240. 136. 37. 1. 0. 2. 2. 0. 
     0. 0. 0. 0.] 
    [ 2. 0. 0. 3. 0. 0. 4. 27. 193. 251. 253. 255. 
     255. 255. 255. 240. 254. 255. 213. 89. 0. 0. 14. 1. 
     0. 0. 0. 0.] 
    [ 0. 0. 0. 6. 0. 0. 18. 56. 246. 255. 253. 243. 
     251. 255. 245. 255. 255. 254. 255. 231. 119. 7. 0. 5. 
     0. 0. 0. 0.] 
    [ 4. 0. 0. 12. 13. 0. 65. 190. 246. 255. 255. 251. 
     255. 109. 88. 199. 255. 247. 250. 255. 234. 92. 0. 0. 
     0. 0. 0. 0.] 
    [ 0. 10. 1. 0. 0. 18. 163. 248. 255. 235. 216. 150. 
     128. 45. 6. 8. 22. 212. 255. 255. 252. 172. 0. 15. 
     0. 0. 0. 0.] 
    [ 0. 1. 4. 5. 0. 0. 187. 255. 254. 94. 57. 7. 
     1. 0. 6. 0. 0. 139. 242. 255. 255. 218. 62. 0. 
     0. 0. 0. 0.] 
    [ 5. 2. 0. 0. 11. 56. 252. 235. 253. 20. 5. 2. 
     5. 1. 0. 1. 2. 0. 97. 249. 248. 249. 166. 8. 
     0. 0. 0. 0.] 
    [ 0. 0. 2. 0. 0. 70. 255. 255. 245. 25. 10. 0. 
     0. 1. 0. 4. 10. 0. 10. 255. 246. 250. 155. 0. 
     0. 0. 0. 0.] 
    [ 2. 0. 7. 12. 0. 87. 226. 255. 184. 0. 3. 0. 
     10. 5. 0. 0. 0. 9. 0. 183. 251. 255. 222. 15. 
     0. 0. 0. 0.] 
    [ 0. 5. 1. 0. 19. 230. 255. 243. 255. 35. 2. 0. 
     0. 0. 0. 9. 8. 0. 0. 70. 245. 242. 255. 14. 
     0. 0. 0. 0.] 
    [ 0. 4. 3. 0. 19. 251. 239. 255. 247. 30. 1. 0. 
     4. 4. 14. 0. 0. 2. 0. 47. 255. 255. 247. 21. 
     0. 0. 0. 0.] 
    [ 6. 0. 2. 2. 0. 173. 247. 252. 250. 28. 10. 0. 
     0. 8. 0. 0. 0. 8. 0. 67. 249. 255. 255. 12. 
     0. 0. 0. 0.] 
    [ 0. 0. 6. 3. 0. 88. 255. 251. 255. 188. 21. 0. 
     15. 0. 8. 2. 16. 0. 35. 200. 247. 251. 134. 4. 
     0. 0. 0. 0.] 
    [ 0. 3. 3. 1. 0. 11. 211. 247. 249. 255. 189. 76. 
     0. 0. 4. 0. 2. 0. 169. 255. 255. 247. 47. 0. 
     0. 0. 0. 0.] 
    [ 0. 6. 0. 0. 2. 0. 59. 205. 255. 240. 255. 182. 
     41. 56. 28. 33. 42. 239. 246. 251. 238. 157. 0. 1. 
     0. 0. 0. 0.] 
    [ 2. 1. 0. 0. 2. 10. 0. 104. 239. 255. 240. 255. 
     253. 247. 237. 255. 255. 250. 255. 239. 255. 100. 0. 1. 
     0. 0. 0. 0.] 
    [ 1. 0. 3. 0. 0. 7. 0. 4. 114. 255. 255. 255. 
     255. 247. 249. 253. 251. 254. 237. 251. 89. 0. 0. 1. 
     0. 0. 0. 0.] 
    [ 0. 0. 9. 0. 0. 1. 13. 0. 14. 167. 255. 246. 
     253. 255. 255. 254. 242. 255. 244. 61. 0. 19. 0. 1. 
     0. 0. 0. 0.] 
    [ 2. 1. 7. 0. 0. 4. 0. 14. 0. 27. 61. 143. 
     255. 255. 252. 255. 149. 21. 6. 16. 0. 0. 7. 0. 
     0. 0. 0. 0.] 
    [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0.] 
    [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0.] 
    [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0.] 
    [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 
     0. 0. 0. 0.]]

权重convlayer 1：

 [[[-0.01216923 -0.00584966 0.04876327 0.04628595 0.05644253] 
     [-0.03813031 -0.0304277 0.05728934 -0.01358741 -0.02875361] 
     [ 0.04929296 0.05958448 0.05497736 0.04699187 -0.04964543] 
     [ 0.01874465 0.05793848 0.03988833 -0.02355133 -0.05672331] 
     [ 0.03986748 -0.06098319 0.01299825 -0.00239702 -0.01750711]]] 
    [[[-0.02474246 0.0423619 -0.02130952 0.00718671 0.02677802] 
     [ 0.04151089 0.04336411 -0.03549197 -0.01935773 0.04035303] 
     [ 0.01466489 -0.01117737 0.0081063 0.01310948 0.01900553] 
     [-0.01723775 0.0148552 -0.03563556 -0.04108806 0.01764391] 
     [ 0.03932499 -0.00911049 0.00443425 -0.0388128 0.01646769]] 
    ........... 
    ...........

砝码在convlayer 2：

 [[-0.02894977 -0.00163836 0.0416469 -0.00195158 0.03194728] 
    [ 0.02618844 -0.00961595 -0.03348994 0.04460359 0.03113144] 
    [ 0.04166139 -0.02487885 0.02173471 -0.00147136 0.00803713] 
    [ 0.02262536 -0.03310476 -0.00949261 -0.0450313 0.03128755] 
    [-0.01181284 0.00558957 -0.02410718 0.01706195 0.01151338]] 

[[ 0.04118888 -0.01306432 -0.01013332 0.03423443 0.03135569] 
    [ 0.00471491 0.02169717 0.00583819 -0.02421325 -0.01708062] 
    [-0.01244262 -0.00934037 0.00605259 -0.03825137 -0.00606101] 
    [-0.01699741 0.01311037 0.0307442 0.04153474 -0.00470464] 
    [-0.02592571 -0.01203504 0.04052782 0.03150989 0.02740532]] 
    ......... 
    .........

的权重使用泽维尔初始化初始化：

n_in=28*28 
n_out = 24*24 
w_bound = numpy.sqrt(6./float(n_in+n_out)) 

filters = numpy.random.uniform(-w_bound,w_bound,(40,20, 5,5))

来源

2017-12-02 uttejh

这是之前还是之后的一些训练？你如何初始化网络？你的数据是什么样子的，是正常化的，是正面的还是负面的？ – Andnp

@Andnp训练前;这发生在第一次迭代之后;我使用Xavier初始化初始化权重;输入数据是图像转换成像素，范围[0,255];不包含负值并且不被标准化。我应该将输入标准化为[-1,1] - 为什么？我已经编辑了需要的细节问题。 – uttejh

1-您是否规范化了0和1之间的输出？如果没有，则每个大于1的输出变为1.

2-对输入数据进行归一化，然后用255作为最大RGB值进行归一化。

3-肯定是有在一个问题：在卷积二层输出：

[19.88641441 20.11005634 20.04984707 20.19106394 19.93096274 20.1585536 19.84757161 19。79030395]

这些数字是不可能的，你如何初始化你的呼叫层？它们应该在0和1之间初始化。

此外，你应该规范Convs。为了做到这一点，我假设你正在为了教育目的而执行此项实施，请将sigmoid应用于所有转化的输出，这样您的转化价值就不会上升。通常情况下，RELU激活会使卷积图层获得更好的结果，但是您也可以使用S形获得更好的结果。

来源

2018-02-20 00:17:53

神经网络与乙状结肠激活产生所有1's

回答

相关问题