神经网络：连续输出变量的 Sigmoid 激活函数答案

【问题标题】：Neural Networks: Sigmoid Activation Function for continuous output variable神经网络：连续输出变量的 Sigmoid 激活函数
【发布时间】：2014-01-06 01:22:40
【问题描述】：

好的，所以我在 Andrew Ng's machine learning course on coursera 的中间，并且想要调整作为作业 4 的一部分完成的神经网络。

特别是，我作为作业的一部分正确完成的神经网络如下：

Sigmoid 激活函数：g(z) = 1/(1+e^(-z))
10 个输出单元，每个单元可以取 0 或 1
1 个隐藏层
用于最小化成本函数的反向传播方法
成本函数：

在哪里L=number of layers、s_l = number of units in layer l、m = number of training examples、K = number of output units

现在我想调整练习，以便有一个连续输出单元可以取 [0,1] 之间的任何值，我正在尝试找出需要更改的内容，到目前为止我有

将数据替换为我自己的数据，即输出是 0 到 1 之间的连续变量
更新了对输出单元数量的引用
将反向传播算法中的成本函数更新为：其中a_3 是前向传播确定的输出单元的值。

我确信其他一些东西必须改变，因为梯度检查方法显示了由反向传播确定的梯度，而数值近似值不再匹配。我没有改变 sigmoid 梯度；它留在f(z)*(1-f(z))，其中f(z) 是sigmoid 函数1/(1+e^(-z)))，我也没有更新导数公式的数值近似；只需(J(theta+e) - J(theta-e))/(2e)。

谁能告知还需要哪些其他步骤？

在matlab中编码如下：

% FORWARD PROPAGATION
% input layer
a1 = [ones(m,1),X];
% hidden layer
z2 = a1*Theta1';
a2 = sigmoid(z2);
a2 = [ones(m,1),a2];
% output layer
z3 = a2*Theta2';
a3 = sigmoid(z3);

% BACKWARD PROPAGATION
delta3 = a3 - y;
delta2 = delta3*Theta2(:,2:end).*sigmoidGradient(z2);
Theta1_grad = (delta2'*a1)/m;
Theta2_grad = (delta3'*a2)/m;

% COST FUNCTION
J = 1/(2 * m) * sum( (a3-y).^2 );

% Implement regularization with the cost function and gradients.
Theta1_grad(:,2:end) = Theta1_grad(:,2:end) + Theta1(:,2:end)*lambda/m;
Theta2_grad(:,2:end) = Theta2_grad(:,2:end) + Theta2(:,2:end)*lambda/m;
J = J + lambda/(2*m)*( sum(sum(Theta1(:,2:end).^2)) + sum(sum(Theta2(:,2:end).^2)));

我已经意识到这个问题与@Mikhail Erofeev on StackOverflow 提出的问题相似，但是在这种情况下，我希望连续变量介于 0 和 1 之间，因此使用 sigmoid 函数。

【问题讨论】：

您是否成功地实现了持续的结果？我让它运行，但它在第 40 次迭代左右停止并且没有产生好的结果。如果你能分享你最终得到的东西会很棒吗？

标签： matlab machine-learning neural-network

【解决方案1】：

首先，您的成本函数应该是：

J = 1/m * sum( (a3-y).^2 );

我认为您的 Theta2_grad = (delta3'*a2)/m; 预计将与更改为 delta3 = 1/2 * (a3 - y); 后的数值近似值匹配）。

查看slide了解更多详情。

编辑： 如果我们的代码之间存在一些细微的差异，我将我的代码粘贴在下面供您参考。该代码已经与数值逼近函数checkNNGradients(lambda);进行了比较，相对差异小于1e-4（虽然不符合Andrew Ng博士的1e-11要求）

function [J grad] = nnCostFunctionRegression(nn_params, ...
                                   input_layer_size, ...
                                   hidden_layer_size, ...
                                   num_labels, ...
                                   X, y, lambda)

Theta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), ...
                 hidden_layer_size, (input_layer_size + 1));

Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), ...
                 num_labels, (hidden_layer_size + 1));

m = size(X, 1);   
J = 0;
Theta1_grad = zeros(size(Theta1));
Theta2_grad = zeros(size(Theta2));


X = [ones(m, 1) X];   
z1 = sigmoid(X * Theta1');
zs = z1;
z1 = [ones(m, 1) z1];
z2 = z1 * Theta2';
ht = sigmoid(z2);


y_recode = zeros(length(y),num_labels);
for i=1:length(y)
    y_recode(i,y(i))=1;
end    
y = y_recode;


regularization=lambda/2/m*(sum(sum(Theta1(:,2:end).^2))+sum(sum(Theta2(:,2:end).^2)));
J=1/(m)*sum(sum((ht - y).^2))+regularization;
delta_3 = 1/2*(ht - y);
delta_2 = delta_3 * Theta2(:,2:end) .* sigmoidGradient(X * Theta1');

delta_cap2 = delta_3' * z1; 
delta_cap1 = delta_2' * X;

Theta1_grad = ((1/m) * delta_cap1)+ ((lambda/m) * (Theta1));
Theta2_grad = ((1/m) * delta_cap2)+ ((lambda/m) * (Theta2));

Theta1_grad(:,1) = Theta1_grad(:,1)-((lambda/m) * (Theta1(:,1)));
Theta2_grad(:,1) = Theta2_grad(:,1)-((lambda/m) * (Theta2(:,1)));


grad = [Theta1_grad(:) ; Theta2_grad(:)];

end

【讨论】：

感谢您的建议；我尝试按照您的建议更新 delta3 和 delta2，但渐变仍然不匹配。
@user1420372 您的成本函数应该是 a3-y 而不是 sigmoid(a3)-y，请参阅我在回答中的更新。
谢谢！实际上我刚刚注意到 - 但是渐变仍然不正确 - 将编辑有问题的代码以修复。
我在答案中添加了我的代码供您参考。它与数值近似匹配，虽然相对差异为 1e-4，大于 1e-11
非常感谢您的帮助。我还意识到，通过保留练习中的成本函数，即使用对数，梯度匹配得很好，并且输出看起来像预测的（初步 - 仍在测试）。

【解决方案2】：

如果要连续输出，计算目标值时尽量不要使用sigmoid激活。

a1 = [ones(m, 1) X];   
a2 = sigmoid(X * Theta1');  
a2 = [ones(m, 1) z1];  
a3 = z1 * Theta2';  
ht = a3;

在 nnCostFunction 中使用之前标准化输入。其他一切都保持不变。

【讨论】：