143
个编辑
更改
→基于连续方法观察神经网络EI
在复现实验过程中进一步发现，原文在单输入单输出神经元仿真实验里，为统一三类激活函数的输入、输出值域范围，对 ReLU 的输出值域进行了人为截断处理，以此对齐输出空间尺度。本复现实验取消该输出截断约束后，实验曲线出现明显分化：Sigmoid 与 Tanh 原生输出值域天然和输入扰动空间匹配，二者 EI 随权重变化的整体走势仍保持相近；而 ReLU 去除输出限制后，EI - 权重变化规律与前两种激活函数产生显著区别，不再呈现原文中三类曲线变化模式近似的特征（如图）。
在复现实验过程中进一步发现，原文在单输入单输出神经元仿真实验里，为统一三类激活函数的输入、输出值域范围，对 ReLU 的输出值域进行了人为截断处理，以此对齐输出空间尺度。本复现实验取消该输出截断约束后，实验曲线出现明显分化：Sigmoid 与 Tanh 原生输出值域天然和输入扰动空间匹配，二者 EI 随权重变化的整体走势仍保持相近；而 ReLU 去除输出限制后，EI - 权重变化规律与前两种激活函数产生显著区别，不再呈现原文中三类曲线变化模式近似的特征（如图）。
[[文件:One-to-one(1).png|居中|缩略图|900x900像素|one to one,non-clip]]
其次，我们使用连续变量计算有效信息的方法，我们同样发现，EI的最大变化与训练过程中损失函数最陡峭的部分显著匹配；在过拟合期间，EI在所有层中通常是平坦的，说明网络的因果结构已经趋于稳定，不再发生显著变化了。
其次，我们使用连续变量计算有效信息的方法，我们同样发现，EI的最大变化与训练过程中损失函数最陡峭的部分显著匹配；在过拟合期间，EI在所有层中通常是平坦的，说明网络的因果结构已经趋于稳定，不再发生显著变化了。