神经网络的近似对数函数

Question

我正在尝试使用神经网络将域上的对数函数近似为1到100。我使用tensorflow作为软件。结果不如我预期的那样好，我想了解原因。我使用以下代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

## == data to be approximated == ##
x_grid = np.array([np.linspace(1, 100, 100)]).T
y_grid = np.log(x_grid)


  def deepnn(x_val, prior):
  """
  A neural network with input values x. Its parameters might be constraint according to a prior.
  """
    ## == input layer == ##
    if prior:
        w_in = tf.constant(1., shape=[1, 2]) #fixed to one
        b_in = tf.constant([-1., -20.]) # fixed along kinks of the log function
    else:
        w_in = weight_variable([1, 2])
        b_in = bias_variable([2])
    f_in = tf.matmul(x_val, w_in) + b_in

    ## == first hidden layer == ##
    g_1 = tf.nn.relu(f_in)

    ## == output layer == ##
    w_out = weight_variable([2, 1])
    b_out = bias_variable([1])
    y_predict = tf.matmul(g_1, w_out) + b_out
    return y_predict

def weight_variable(shape):
    """
    generate a weight variable of a given shape
    """
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

def bias_variable(shape):
    """
    generates a bias variable of a given shape
    """
    initial =  tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

x_given = tf.placeholder(tf.float32, [None, 1])
y_out = deepnn(x_given, False)
y = tf.placeholder(tf.float32, [None, 1])
squared_deltas = tf.square(y_out - y)
loss = tf.reduce_sum(squared_deltas)
optimizer = tf.train.AdamOptimizer(1e-3)
train = optimizer.minimize(loss)

sess = tf.InteractiveSession()
init = tf.global_variables_initializer()
sess.run(init)
for i in range(50000):
    sess.run(train, {x_given: x_grid, y: y_grid})
print(sess.run(loss, {x_given: x_grid, y: y_grid}))
sess.close()

神经网络deepnn(x_val, prior)可以有两种形式：如果prior为真，则输入图层函数tf.matmul(x_val, w_in) + b_in的参数设置为w_in = 1和{{1 }}。 b_in = [-1, -20]的这些值将迫使网络在b_in处出现扭结。如果x = 20为false，则将参数值初始化为prior和w的随机变量。 （这些值以及计算机代码的灵感来自tensorflow guide。）输入被传递到具有整流器激活功能和输出层的隐藏层。网络{@ 1}}中是否定义了网络是否应遵循先验。

与之前的网络相比，没有先前限制的神经网络（几乎所有时间）都会产生较差的结果。网络简单地类似于线性函数。奇怪的是，无限制的网络曾经产生了一个非常好的解决方案，但我无法在后续的试验中复制。结果如下图所示。

有人可以解释为什么我不能很好地训练网络吗？

Answer 1

我没有彻底检查您的代码，但似乎您没有使用任何非线性网络。您的网络很浅（只有1个隐藏层），所以要深入（正如您在功能中提到的那样），您需要更多层。此外，我认为您的图层中需要更多节点。至少尝试使用2个隐藏层。

顺便说一句，有一个功能可以完全按照说法进行操作：tf.nn.xw_plus_b