推 f496328mm: 幫你推 我是用 Keras 用 TF 是不是比較厲害? 09/21 01:15
應該還好吧(////▽////)
主要是在FB上面看到就用了>///<
推 tsoahans: 一般網路不能疊那麼多層吧 resnet之類的特殊架構才能疊 09/21 01:22
→ tsoahans: 到一百多層 09/21 01:22
推 tsoahans: 你可以查看看 dying relu problem 09/21 01:26
有查過，我再多查查
推 KyotoAnime: 試試看add layer不要用函數包? 直接寫 09/21 03:25
→ KyotoAnime: 10層會不會要跑很久啊.. 09/21 03:26
我用1050Ti執行GPU運算，10層10w迴圈大約也在3min內，感覺還好
推 johnny78615: 用leakyrelu試試？解決 relu死掉的現象 09/21 05:53
有試過，但...沒有效果
推 ebullient: 把loss改成logistic跟lr改成decay跑100000epoch可以練 09/21 09:36
→ ebullient: 起來 09/21 09:36
不是很清楚怎改...我會研究看看！
請問您所說的lr是學習率？不是很清楚如何把我的loss改成logistic...
您說的logistic是指x - x * z + log(1 + exp(-x))嗎？
推 ebullient: goo.gl/t1L7Q3這個loss function，lr是學習率 09/21 10:48
好的，非常感謝您 <3
推 brightwish: initialize_all_variable 怎麼做的 有用random嗎 09/21 13:09
這是tf給予的函式，好像沒有random，但程式的其他地應該有對變數進行沒錯
→ brightwish: sigmoid 就是 logistic 09/21 13:12
謝謝您！
推 joeyccc1: xavier initializer 09/21 14:04
→ joeyccc1: or batch normalization 09/21 14:05
好的，謝謝您！我會再添加相關設定！
推 vfgce: hidden layer用relu, output layer用softmax.... 09/21 19:24
之前因為沒發現sigmoid跟softmax明顯差距，所以就用sigmoid了，之後會改用softmax，
謝謝您的建議！
→ pipidog: 不確定其他的問題,但看到幾點問題: 1.有人會output用 09/22 02:00
→ pipidog: sigmoid嗎? 如果你是做分類問題,應該用softmax,這兩者功 09/22 02:00
→ pipidog: 用完全不同 09/22 02:01
之所以會用是因為一開始學習時都是看到sigmoid，也真的有部份教學用sigmoid,
所以不小心就誤用了>"<
謝謝提醒<(_ _)>
→ pipidog: 2.如果是新版TF,initialize_all_variabel已經09/22 02:01
→ pipidog: 不支援了,最好也改掉. 09/22 02:01
當時找到這個範例最方便套用，
試用也沒有問題，一時沒想到會有版本新舊問題，感謝您!
→ pipidog: 3.看起來你對神經網路還很陌生,我 09/22 02:01
→ pipidog: 建議你可以先用Keras實作,而不要一開始就碰TF,你會比較懂 09/22 02:02
→ pipidog: 神經網路的模型,然後你再去搞懂TF,因為看起來你對於怎麼 09/22 02:02
→ pipidog: 搭建神經網路都還不太熟,就被困在TF的語法裡面了. 09/22 02:03
→ pipidog: 最後一提,一般對於多層感知器(就是你在做的事情),增加層 09/22 02:05
→ pipidog: 數到這麼多意義不大,一般一兩層就可以了,但節點可以多一 09/22 02:05
→ pipidog: 些.用太多層,會導致後向傳播時要處理的參數幾何式增長,計 09/22 02:07
我以前聽教學說雖然沒有一定，但節點數通常為輸入的1.5倍，我實驗原本輸入是8筆
所以就沒想到調節點數了>"<
非常感謝您無私的教導 m(_ _)m
推 kaneson: 10層dnn任一條x->y的路徑相當於乘了10次weight, 你的inpu 09/22 02:38
→ kaneson: t在0.7附近, 初始weights用random normal預設也在 0 附 09/22 02:38
→ kaneson: 近(-1,1), 這樣後面output應該都是0，所以我覺得train不 09/22 02:38
→ kaneson: 出東西來 09/22 02:38
推 kaneson: 所謂疊幾十上百層的是CNN，架構有其原理與作用，也有很多 09/22 02:52
→ kaneson: 不同技巧解決梯度消失的問題。其實最尾巴接上的full-conn 09/22 02:52
→ kaneson: ected layer與softmax組成的分類器也很少會超過二，三層 09/22 02:52
→ kaneson: 。 09/22 02:52
推 kaneson: 還有像樓上所說的剛開始建議先玩Keras, 一方面比較方便 09/22 03:00
→ kaneson: 拼接出不同典型model來比較看看，而且TF本身api很亂寫起 09/22 03:00
→ kaneson: 來也較不直覺。 09/22 03:00
我原本以為...BP會把一切問題都解決的...輸出結果錯誤，所以就把權重修正到合理範圍
，但沒想到...原來BP好像有個修正的極限(?
其實其實我窩窩當初是想要做成CNN的，但研究一段時間不知道怎寫出來，
而且我要研究資料好像也不合適用CNN，所以才放棄的>////<
因為我當時剛接觸時，手邊資料很亂...我基本上要再3天內實做出基本能跑的DL...
所以工具看到了就用...沒想到有名的Google出的工具這底層，
其實我也是現在才接觸到Keras的，或許我當初早點接觸到，就不會用TF了 >"<
推 jack529: 感覺是層數太深，資料太少，導致gradient沒有變化，可以 09/22 18:19
→ jack529: 看看Loss有沒有降低～ 09/22 18:19
似乎...沒有降低...我正在研究把Loss改成怎樣好
有位大大幫我做了一些修正，現在問題已解決，謝謝大家的幫助與支持，
接下來我會慢慢吸收這段時間大家提供給我的資訊，
感謝大家m(_ _)m
推 jack529: 期待後續xd 推薦看看Coursera，Andrew大大開的Deep Learn 09/23 15:57
→ jack529: ing，看完會更有感覺！ 09/23 15:57
嗯，我英文苦手QAQQQ
不過還是感謝大大給我這個學習的機會 <3
後續嘛~原則上希望不要再有問題了 :P
推 Kazimir: 好像太晚看到了XD 我猜大概是lr和sdv太高把relu弄死了 09/25 02:07
是說其實我到現在還不是很清楚lr設多少比較好，要如何判斷...
可用的lr比我逾期的低了100倍以上...
推 f496328mm: lr 你設多少? 可以從 1e-5 開始往前走 09/25 16:23
很想知道設這數值的原因...我目前也是差不多設這數值再修
但以前看教學，0.9都有人設了...說學比較快
我真正參考的範例是0.1，完全無法想像1e-5
推 Kazimir: 如果你使用標準的微分法 那lr就只能試了 理論上來說 09/25 18:58
→ Kazimir: 先大後小比較好 一般我都是從0.01開始 不過牽涉很多因素 09/25 18:59
→ Kazimir: 所以用adam比較方便.. 常常也比手動調整好一點 09/25 19:00
我目前就是使用AdamOptimizer，我也聽說先大後小比較好，但relu一直死掉...
經過版上大大改過，才知道要小到1e-5....
目前不知道要怎求出學習率，
我只找出一個小規律，就是如果學習率*訓練次數大於1好像會死....
推 joeyccc1: 其實我第一個發現的地方是你沒有觀察cost所以只能猜或 09/26 04:18
→ joeyccc1: 者找不到錯誤在哪，但是我自己做ml也是慢慢試LR 09/26 04:18
嗯，謝謝大大提醒！
所以層數，節點數，訓練次數也是自己慢慢試囉Q
m(_ _)m
推 Kazimir: 對於層數 某大牛(好像是Bengio)有說過 你就一直加深 09/27 01:33
→ Kazimir: 直到結果不再改善為止XD 所以基本上只能試了 09/27 01:34
好的，謝謝您！總之就是慢慢觀察結果進行微調了，謝謝 <(_ _)>
※ 編輯: st1009 (1.164.93.71), 09/27/2017 19:51:52