模型不学习

Question

背景

我有一个非常简单的脚本，它创建了一个 keras 模型，旨在充当 XOR 门。

我在get_data函数中生成了 40000 个数据点。它创建了两个数组；以某种顺序包含 1 和 0 的输入数组，以及 1 或 0 的输出。

问题

当我运行代码时，它似乎没有学习，每次训练它时我得到的结果都有很大的不同。

代码

from keras import models
from keras import layers

import numpy as np

from random import randint


def get_output(a, b): return 0 if a == b else 1


def get_data ():
    data = []
    targets = []

    for _ in range(40010):
        a, b = randint(0, 1), randint(0, 1)

        targets.append(get_output(a, b))
        data.append([a, b])

    return data, targets


data, targets = get_data()

data = np.array(data).astype("float32")
targets = np.array(targets).astype("float32")

test_x = data[40000:]
test_y = targets[40000:]

train_x = data[:40000]
train_y = targets[:40000]

model = models.Sequential()

# input
model.add(layers.Dense(2, activation='relu', input_shape=(2,)))

# hidden
# model.add(layers.Dropout(0.3, noise_shape=None, seed=None))
model.add(layers.Dense(2, activation='relu'))
# model.add(layers.Dropout(0.2, noise_shape=None, seed=None))
model.add(layers.Dense(2, activation='relu'))

# output
model.add(layers.Dense(1, activation='sigmoid')) # sigmoid puts between 0 and 1

model.summary() # print out summary of model

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

res = model.fit(train_x, train_y, epochs=2000, batch_size=200, validation_data=(test_x, test_y)) # train
    
print 'predict: \n', test_x
print model.predict(test_x)

输出

[[0. 1.]
 [1. 1.]
 [1. 1.]
 [0. 0.]
 [1. 0.]
 [0. 0.]
 [0. 0.]
 [0. 1.]
 [1. 1.]
 [1. 0.]]
[[0.6629775 ]
 [0.00603844]
 [0.00603844]
 [0.6629775 ]
 [0.6629775 ]
 [0.6629775 ]
 [0.6629775 ]
 [0.6629775 ]
 [0.00603844]
 [0.6629775 ]]

即使没有 dropout 层，我也得到了非常相似的结果。

Answer 1

你的问题有几个问题。

首先，您的导入是相当非正统的（与您的问题无关，是的，但它有助于坚持一些约定）：

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

其次，您不需要数以千计的 XOR 问题示例；只有四种组合：

X = np.array([[0,0],[0,1],[1,0],[1,1]])
y = np.array([[0],[1],[1],[0]])

就这样。

第三，出于同样的原因，您实际上无法使用 XOR 获得“验证”或“测试”数据；在最简单的方法中（即您可以在这里尝试做的事情），您只能使用这 4 种组合来测试模型对函数的学习情况（因为没有更多了！）。

第四，你应该从一个简单的单隐藏层模型开始（多于 2 个单元并且没有 dropout），然后根据需要逐步进行：

model = Sequential()
model.add(Dense(8, activation="relu", input_dim=2))
model.add(Dense(1, activation="sigmoid"))

model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, batch_size=1, epochs=1000)

这应该会将您的损失降至 ~ 0.12；它对函数的学习情况如何？

model.predict(X)
# result:
array([[0.31054294],
       [0.9702552 ],
       [0.93392825],
       [0.04611744]], dtype=float32)

y
# result:
array([[0],
       [1],
       [1],
       [0]])

这够好吗？好吧，我不知道 - 正确答案总是“视情况而定”！但是您现在有了一个起点（即可以说是学习某些东西的网络），您可以从中进行进一步的实验......