Pytorch 简单线性 Sigmoid 网络不学习

Question

我正在学习 pytorch，并尝试将网络训练为 XOR 门。一切运行顺利，但它只是不学习。它确实改变了它的权重，但它会为每个超出预期结果的输入收敛到一个结果。

我尝试了许多学习率和权重初始化。

所以输入是 A 和 B 门，如果两者相等则返回 1，否则返回 0，如下所示：

[0,0] => 1 [0,1] => 0 [1,0] => 0 [1,1] => 1

这是我对模型进行建模和训练的尝试：

将火炬作为火炬导入 将 torch.nn 导入为 nn 类网络（nn.Module）： def __init__(self): 超级（网络，自我）.__init__() self.x1 = nn.Linear(2,4) self.s1 = nn.Sigmoid() self.x2 = nn.Linear(4,1) self.s2 = nn.Sigmoid() 定义初始化（自我）： nn.init.uniform_(self.x1.weight) nn.init.uniform_(self.x2.weight) def forward（自我，壮举）： f1 = torch.tensor(feats).float() xr1=self.x1(f1) xs1=self.s1(xr1) xr2=self.x2(xs1) out=self.s2(xr2) 返回 def train(self,val_expected,feats_next): val_expected_tensor = torch.tensor(val_expected) 标准 = nn.MSELoss() 优化器 = torch.optim.SGD(self.parameters(), lr=0.01) 定义关闭（）： 优化器.zero_grad() resp = self.forward(feats_next) 错误=标准（resp，val_expected_tensor） error.backward() 返回错误 优化器.step（关闭） 净 = 网络（） 网络初始化（） 对于 ([0.,0.],[0.,1.],[1.,0.],[1.,1.]) 中的输入： 响应=net.forward（输入） 打印（响应） 打印（“--训练开始-”） 对于我在范围内（1000）： net.train([1.],[0.,0.]) net.train([0.],[1.,0.]) net.train([0.],[0.,1.]) net.train([1.],[1.,1.]) 打印（“---火车结束---”） 对于 ([0.,0.],[0.,1.],[1.,0.],[1.,1.]) 中的输入： 响应=net.forward（输入） 打印（响应）

这是以 0.001 的学习率进行 100000 次迭代的运行：

张量（[0.7726]，grad_fn=） 张量（[0.7954]，grad_fn=） 张量（[0.8229]，grad_fn=） 张量（[0.8410]，grad_fn=） --训练开始- *.......*......*......*......*...... *.......*......*......*......*...... ---训练结束--- 张量（[0.6311]，grad_fn=） 张量（[0.6459]，grad_fn=） 张量（[0.6770]，grad_fn=） 张量（[0.6906]，grad_fn=）

我真的迷路了。这不可行吗？

Answer 1

因此，在您的情况下，请将 train 方法保留在网络类之外。代码如下。

net = Network()
net.init()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
for input in ([0., 0.], [0., 1.], [1., 0.], [1., 1.]):
    response = net.forward(input)
    print (response)

def train(val_expected, feats_next, criterion, optimizer):
    val_expected_tensor = torch.tensor(val_expected)
    optimizer.zero_grad()
    resp = net.forward(feats_next)
    # print (resp)
    error = criterion(resp, val_expected_tensor)
    # print (error, resp, val_expected_tensor)
    error.backward()
    # print (error)
    optimizer.step()


print("--TRAIN START-")
for i in range(10000):
    train([1.], [0., 0.], criterion, optimizer)
    train([0.], [1., 0.], criterion, optimizer)
    train([0.], [0., 1.], criterion, optimizer)
    train([1.], [1., 1.], criterion, optimizer)
print("---TRAIN END---")

for input in ([0., 0.], [0., 1.], [1., 0.], [1., 1.]):
    response = net.forward(input)
    print(response)

结果如下：

tensor([0.9571], grad_fn=<SigmoidBackward>)
tensor([0.0414], grad_fn=<SigmoidBackward>)
tensor([0.0459], grad_fn=<SigmoidBackward>)
tensor([0.9621], grad_fn=<SigmoidBackward>)

我只是提高了学习率，而且nn.Module 中有一个 train 方法，因此在模型实例化中使用 trainer 方法不是一个好主意。