我试图用反向传播在Java中实现FFNN,并且不知道我做错了什么。当我在网络中只有一个神经元时,它工作,但我写了另一个类来处理更大的网络,没有任何收敛。这似乎是数学中的一个问题 - 或者更确切地说是我对数学的实现 - 但是我已经多次检查它并且我找不到任何错误。这应该工作。
节点类:
package arr;
import util.ActivationFunction;
import util.Functions;
public class Node {
public ActivationFunction f;
public double output;
public double error;
private double sumInputs;
private double sumErrors;
public Node(){
sumInputs = 0;
sumErrors = 0;
f = Functions.SIG;
output = 0;
error = 0;
}
public Node(ActivationFunction func){
this();
this.f = func;
}
public void addIW(double iw){
sumInputs += iw;
}
public void addIW(double input, double weight){
sumInputs += (input*weight);
}
public double calculateOut(){
output = f.eval(sumInputs);
return output;
}
public void addEW(double ew){
sumErrors+=ew;
}
public void addEW(double error, double weight){
sumErrors+=(error*weight);
}
public double calculateError(){
error = sumErrors * f.deriv(sumInputs);
return error;
}
public void resetValues(){
sumErrors = 0;
sumInputs = 0;
}
}
LineNetwork类:
package arr;
import util.Functions;
public class LineNetwork {
public double[][][] weights; //layer of node to, # of node to, # of node from
public Node[][] nodes; //layer, #
public double lc;
public LineNetwork(){
weights = new double[2][][];
weights[0] = new double[2][1];
weights[1] = new double[1][3];
initializeWeights();
nodes = new Node[2][];
nodes[0] = new Node[2];
nodes[1] = new Node[1];
initializeNodes();
lc = 1;
}
private void initializeWeights(){
for(double[][] layer: weights)
for(double[] curNode: layer)
for(int i=0; i<curNode.length; i++)
curNode[i] = Math.random()/10;
}
private void initializeNodes(){
for(Node[] layer: nodes)
for(int i=0; i<layer.length; i++)
layer[i] = new Node();
nodes[nodes.length-1][0].f = Functions.HSF;
}
public double feedForward(double[] inputs) {
for(int j=0; j<nodes[0].length; j++)
nodes[0][j].addIW(inputs[j], weights[0][j][0]);
double[] outputs = new double[nodes[0].length];
for(int i=0; i<nodes[0].length; i++)
outputs[i] = nodes[0][i].calculateOut();
for(int l=1; l<nodes.length; l++){
for(int i=0; i<nodes[l].length; i++){
for(int j=0; j<nodes[l-1].length; j++)
nodes[l][i].addIW(
outputs[j],
weights[l][i][j]);
nodes[l][i].addIW(weights[l][i][weights[l][i].length-1]);
}
outputs = new double[nodes[l].length];
for(int i=0; i<nodes[l].length; i++)
outputs[i] = nodes[l][i].calculateOut();
}
return outputs[0];
}
public void backpropagate(double[] inputs, double expected) {
nodes[nodes.length-1][0].addEW(expected-nodes[nodes.length-1][0].output);
for(int l=nodes.length-2; l>=0; l--){
for(Node n: nodes[l+1])
n.calculateError();
for(int i=0; i<nodes[l].length; i++)
for(int j=0; j<nodes[l+1].length; j++)
nodes[l][i].addEW(nodes[l+1][j].error, weights[l+1][j][i]);
for(int j=0; j<nodes[l+1].length; j++){
for(int i=0; i<nodes[l].length; i++)
weights[l+1][j][i] += nodes[l][i].output*lc*nodes[l+1][j].error;
weights[l+1][j][nodes[l].length] += lc*nodes[l+1][j].error;
}
}
for(int i=0; i<nodes[0].length; i++){
weights[0][i][0] += inputs[i]*lc*nodes[0][i].calculateError();
}
}
public double train(double[] inputs, double expected) {
double r = feedForward(inputs);
backpropagate(inputs, expected);
return r;
}
public void resetValues() {
for(Node[] layer: nodes)
for(Node n: layer)
n.resetValues();
}
public static void main(String[] args) {
LineNetwork ln = new LineNetwork();
System.out.println(str2d(ln.weights[0]));
for(int i=0; i<10000; i++){
double[] in = {Math.round(Math.random()),Math.round(Math.random())};
int out = 0;
if(in[1]==1 ^ in[0] ==1) out = 1;
ln.resetValues();
System.out.print(i+": {"+in[0]+", "+in[1]+"}: "+out+" ");
System.out.println((int)ln.train(in, out));
}
System.out.println(str2d(ln.weights[0]));
}
private static String str2d(double[][] a){
String str = "[";
for(double[] arr: a)
str = str + str1d(arr) + ",\n";
str = str.substring(0, str.length()-2)+"]";
return str;
}
private static String str1d(double[] a){
String str = "[";
for(double d: a)
str = str+d+", ";
str = str.substring(0, str.length()-2)+"]";
return str;
}
}
结构的快速解释:每个节点都有一个激活函数f; f.eval
评估函数,f.deriv
评估其派生。 Functions.SIG
是标准的sigmoidal函数,Functions.HSF
是Heaviside阶跃函数。要设置函数的输入,请使用已包含前一输出权重的值调用addIW
。在与addEW
的反向传播中也做了类似的事情。节点以2d数组排列,权重按照所述的3d数组分别组织。
我意识到这可能有点问 - 我当然知道这个代码有多少Java约定 - 但我感谢任何人都可以提供帮助。
编辑:由于这个问题和我的代码是如此巨大的文本墙,如果有一行涉及括号中的许多复杂表达式,你不想弄清楚,添加评论或要求的东西我和我会尽快回答。
编辑2:这里的具体问题是该网络不会收敛于XOR。这里有一些输出来说明这一点:
9995:{1.0,0.0}:1 1
9996:{0.0,1.0}:1 1
9997:{0.0,0.0}:0 1
9998:{0.0,1.0}:1 0
9999:{0.0,1.0}:1 1
每行的格式为TEST NUMBER: {INPUTS}: EXPECTED ACTUAL
网络在每次测试时调用train
,因此该网络反向传播10000次。
如果有人想要运行它,这里有两个额外的类:
package util;
public class Functions {
public static final ActivationFunction LIN = new ActivationFunction(){
public double eval(double x) {
return x;
}
public double deriv(double x) {
return 1;
}
};
public static final ActivationFunction SIG = new ActivationFunction(){
public double eval(double x) {
return 1/(1+Math.exp(-x));
}
public double deriv(double x) {
double ev = eval(x);
return ev * (1-ev);
}
};
public static final ActivationFunction HSF = new ActivationFunction(){
public double eval(double x) {
if(x>0) return 1;
return 0;
}
public double deriv(double x) {
return (1);
}
};
}
package util;
public interface ActivationFunction {
public double eval(double x);
public double deriv(double x);
}
现在它还要更长。织补。
答案 0 :(得分:1)
在您的主要方法中:
double[] in = {Math.round(Math.random()),Math.round(Math.random())};
int out = 0;
if(in[1]==1 ^ in[0] ==1) out = 1;
您创建一个接收目标0的随机输入(1和0的组合)。由于Math.random
具有特定的内部种子(没有真正的随机性),您无法保证超过10000次迭代全部4使用该技术通过平衡量生成XOR的输入。这反过来意味着有可能在10000次迭代中{0.0,0.0}
仅被训练了几百次而{1.0,0.0}
{0.0,1.0}
被训练了大约8000次。如果是这种情况,这将清楚地解释您的结果并限制您的培训。
不是随机生成您的输入数据,而是随机选择。保持外部(epochs)循环并引入第二个循环,在那里你选择一个随机样本,你已经在这个时代中选择了 (或者只是顺序地查看你的数据而没有任何随机性,它实际上不是XOR的问题)。没有任何随机性的伪代码:
// use a custom class to realize the data structure (that defines the target values):
TrainingSet = { {(0,0),0}, {(0,1),1}, {(1,0),1}, {(1,1),0} }
for epochNr < epochs:
while(TrainingSet.hasNext()):
input = TrainingSet.getNext();
network.feedInput(input)
通过这种方式,您可以保证在10000次迭代中看到每个样本2500次。