随机化神经网络输入顺序的影响

在我的高级算法和数据结构课程中，我的教授要求我们选择任何我们感兴趣的主题。他还告诉我们要研究它并尝试实施解决方案。我选择神经网络是因为它是我长期以来想学习的东西。

我已经能够使用神经网络实现 AND、OR 和 XOR，该神经网络的神经元使用阶跃函数作为激活器。之后，我尝试实现一个反向传播神经网络，学习识别 XOR 运算符（使用 sigmoid 函数作为激活器）。通过使用 3-3-1 网络（输入层和隐藏层有 1 个偏差，权重随机初始化），我能够在 90% 的情况下实现这一目标。在其他时候，它似乎陷入了我认为的局部最小值，但我不确定（我之前问过这方面的问题，人们告诉我不应该有局部最小值）。

在 90% 的时间里，我一直按以下顺序呈现我的输入：[0, 0], [0, 1], [1, 0], [1, 0]预期输出设置为[0, 1, 1, 0]。当我一致地以相同的顺序呈现值时，网络最终会学习该模式。实际上，我以什么顺序发送它并不重要，只要每个纪元的顺序完全相同即可。

然后，我对训练集进行了随机化，因此这次输入的顺序是足够随机的。我现在注意到我的神经网络被卡住了，错误正在减少，但速度非常小（每个时期都在变小）。一段时间后，误差开始围绕某个值振荡（因此误差停止减小）。

我是这个主题的新手，到目前为止我所知道的一切都是自学的（阅读教程、论文等）。为什么输入的呈现顺序会改变我的网络的行为？是不是因为从一个输入到下一个输入的误差变化是一致的（因为顺序是一致的），这使得网络更容易学习？

我可以做什么来解决这个问题？我正在检查我的反向传播算法，以确保我已经正确实现了它；目前它是通过学习率和动力来实现的。我正在考虑寻找其他增强功能，例如自适应学习率。然而，XOR 网络通常被描述为一个非常简单的网络，因此我认为我不需要使用复杂的反向传播算法。

向网络呈现构成训练集的观察结果（输入向量）的顺序仅在一方面重要——随机排列的观察结果根据响应变量与有序排列相比，强烈推荐。

例如，假设您的训练集有 150 个观测值，并且对于每个观测值，响应变量是三个类标签（I 类、II 类或 III 类）之一，因此观测值 1-50 属于 I 类，51-100 属于 I 类。 II 级，III 级 101-50。您不想做的是以该顺序将它们呈现给网络。换句话说，您不希望网络看到 I 类中的所有 50 个观测值，然后是 II 类中的所有 50 个观测值，然后是 III 类中的所有 50 个观测值。

训练分类器期间发生了什么？最初，您向网络呈现四个观察结果，无序 [0, 1, 1, 0]。

我想知道在网络无法收敛的情况下输入向量的顺序是什么？如果它是 [1, 1, 0, 0] 或 [0, 1, 1, 1]，这与上面提到的这个有据可查的经验规则是一致的。

另一方面，我想知道这条规则是否适用于你的情况。原因是你的训练实例太少，即使顺序是 [1, 1, 0, 0]，在多个时期进行训练（我确信你必须这样做）将意味着这个顺序看起来更“随机”而不是我上面提到的示例（即 [1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0] 是网络如何呈现三个时期的训练数据） 。

诊断问题的一些建议：

1. 正如我上面提到的，查看非收敛情况下输入向量的排序——它们是按响应变量排序的吗？

2. 在不收敛的情况下，查看您的权重矩阵（我假设您有两个）。查找任何非常大的值（例如，其他值的 100 倍，或初始化值的 100 倍）。大的权重可能会导致溢出。