我正在开发一个神经网络应用程序，但在尝试打印前馈输出的过程中遇到了问题：控制台显示的值如下：

输出始终是1 1 1 1 1

我使用了3层结构，包括2500个输入节点，1800个隐藏节点和5个输出节点。我使用了sigmoid二进制作为激活函数，测试时的权重固定为0.5。

当我尝试使用一个非常简单的架构（2个输入，3个隐藏，1个输出）时，它运行得很完美，但现在有这么多节点，我无法手动计算输出，所以我不知道结果是真是假。

是我的代码有问题，还是我不能设置固定权重？我只想进行一次前馈，不进行反向传播，输入是从0到1的随机值。

这是network.cpp文件的内容：

#include <stdio.h>#include <iostream>#include "network.h"#include "neuron.h"using namespace std;layer::layer(int numberOfNeuron,int numberOfInput,int numberOfOutput):neuron_layer(numberOfNeuron){    for(int i=0;i<numberOfNeuron;i++)    {        neuron_layer[i] = new neuron(numberOfInput,numberOfOutput);    }}layer::~layer(){}int layer::get_number_of_neuron(){    return neuron_layer.size();}network::network(int layerNumber,int hiddenNeuronNumber):    layer_network(layerNumber){    this->layer_numbers = layerNumber;    for(int i=0;i<layerNumber;i++)    {        if(i==0)        {            layer_network[i] = new layer(2500,5,hiddenNeuronNumber);        }        else if(i==1)        {            layer_network[i] = new layer(hiddenNeuronNumber,2500,5);        }        else if(i==2)        {            layer_network[i] = new layer(5,hiddenNeuronNumber,1);        }    }    cout<<endl<<"Input layer : "<<layer_network[0]->get_number_of_neuron()<<endl;    cout<<"Hidden layer : "<<layer_network[1]->get_number_of_neuron()<<endl;    cout<<"Output layer : "<<layer_network[2]->get_number_of_neuron()<<endl;}network::~network(){}void network::init_input_layer(int inputNeuronNumber,int hiddenNeuronNumber){    for(int i=0;i<inputNeuronNumber;i++)    {        for(int j=0;j<hiddenNeuronNumber;j++)        {            layer_network[0]->neuron_layer[i]->outputs[j]->weights = 0.5f;        }    }}void network::init_hidden_layer(int inputNeuronNumber,int hiddenNeuronNumber,int outputNeuronNumber){    for(int i=0;i<hiddenNeuronNumber;i++)    {        for(int j=0;j<inputNeuronNumber;j++)        {            layer_network[1]->neuron_layer[i]->inputs[j]->weights = layer_network[0]->neuron_layer[j]->outputs[i]->weights;        }    }    for(int k=0;k<hiddenNeuronNumber;k++)    {        for(int l=0;l<outputNeuronNumber;l++)        {            layer_network[1]->neuron_layer[k]->outputs[l]->weights = 0.5f;        }    }}void network::init_ouput_layer(int hiddenNeuronNumber,int outputNeuronNumber){    for(int i=0;i<outputNeuronNumber;i++)    {        for(int j=0;j<hiddenNeuronNumber;j++)        {            layer_network[2]->neuron_layer[i]->inputs[j]->weights = layer_network[1]->neuron_layer[j]->inputs[i]->weights;        }    }}

这是neuron.cpp文件的内容：

#include "neuron.h"#include <stdio.h>#include <iostream>using namespace std;synapse::synapse(){}synapse::~synapse(){}neuron::neuron(int numberOfInput,int numberOfOutput):inputs(numberOfInput),outputs(numberOfOutput){    for(int i=0;i<numberOfInput;i++)    {        inputs[i] = new synapse();    }    for(int i=0;i<numberOfOutput;i++)    {        outputs[i] = new synapse();    }}neuron::~neuron(){}int neuron::get_input_size(){    int input_length;    input_length=(int) inputs.size();    return input_length;}int neuron::get_output_size(){    int output_length;    output_length=(int) outputs.size();    return output_length;}void neuron::input_fire(){    output_value = inputs[0]->activation_values;    for(int i=0;i<get_output_size();i++)    {        outputs[i]->activation_values = output_value;    }}void neuron::fire(){    output_value = 0.0f;    for(int i=0;i<get_input_size();i++)    {        output_value+=(inputs[i]->activation_values)*(inputs[i]->weights);    }    //cout<<endl<<"Before Sigmoid"<<output_value;    output_value = 1.0f / (1.0f+ exp(-output_value));    //cout<<" After Sigmoid"<<output_value;    for(int i=0;i<get_output_size();i++)    {        outputs[i]->activation_values = output_value;    }}

我认为没有必要发布neuron.h和network.h，因为它们只包含声明。我在.cpp文件中定义了函数。这是创建对象的方式：

srand (time(NULL));float inputTest[2500];network test(3,1800);test.init_network(1800);for(int i=0;i<2500;i++){    inputTest[i]=(float)rand()/(float)RAND_MAX;}test.feedforward(inputTest);

回答：

我没有检查你的代码，但是…不，你不能像那样使用固定权重。随着输入数量的增加，你的隐藏层中的每个节点将获得越来越大的值。Sigmoid会将这些大值缩放到1。

想想看：假设你有100个输入，每个输入的“随机”值为0.1。为了简单起见，我们先忽略其他一切。由于你的权重是恒定的0.5，隐藏层中的所有节点将获得一个相同的值，这个值是由每个输入*权重的“sigmoid化”总和构成的，即sigm(0.1*0.5*100) = sigm(5) -> ~1

因此，当你有更多的正输入和恒定的正权重时，隐藏层的输出将越来越接近1。