从零开发图像识别AI:神经元存储逻辑异常、得分非递增问题
代码问题排查与修正方案
直接触发异常的硬伤点
- 最高分判定逻辑完全写反:这是输出的新高分持续下降的核心原因。原代码进入新高分判定分支后,只更新了单条
bestNeurons记录,既没有把当前计算出的totalScore更新为新的bestScore值,反而错误写了totalScore = bestScore的反向赋值。这会导致bestScore永远停留在代码初始化的初始值,后续哪怕计算出的分数远低于上一次的真实新高,只要比初始值高,就会触发“New Best Score”的打印逻辑,自然出现分数越打越低的离谱情况。 - 数组索引张冠李戴:在计算匹配gap的elif分支里,取神经元值时错误用了
neurons[y]——但y是当前尝试的轮次序号,根本不是神经元的索引,神经元的正确索引是x。这个错误不仅会拿完全不相关的神经元值计算gap,极端情况下还会因为索引超出neurons数组长度直接报错,让算出来的totalScore完全失真。 - 评估数组无重置,分数计算逻辑失效:
dataGapArray是跨多轮尝试累积写入的,每次循环前没有清空上一轮的残留值,算总分时sum(dataGapArray)会把所有历史轮次的旧结果都加进去,分母却固定是numberOfNeurons,算出来的totalScore根本不是当前这组神经元的真实匹配度。 - 循环层级逻辑错位:当前嵌套逻辑是“遍历单个神经元→跑N次随机尝试”,但每次改完单个神经元的权重后,立刻累加历史gap算总分,本质上根本没有完成“全量神经元组”的匹配度评估,导致存到
bestNeurons里的只是单个神经元的随机调整值,不是整组神经元的最优解集合。
对应修正步骤
- 修正最高分判定逻辑:进入新高分分支后,第一时间把当前
totalScore赋值给bestScore,删掉写反的反向赋值代码。后续所有判定永远和历史真实最高值对比,从根源上避免低分触发新高分的问题。 - 修正索引错配:把计算gap时引用的
neurons[y]替换为当前调整目标的neurons[x],保证取值和当前计算的神经元一一对应。 - 调整循环顺序:把外层循环设为尝试轮次,内层循环遍历所有神经元,每跑完一整轮的全神经元调整,再统一计算
totalScore、和bestScore做对比,只有满足分数高于历史最优的条件,才把当前整组神经元存储到bestNeurons里。 - 每轮计算总分前,先把
dataGapArray重置为全0,避免历史残留值干扰分数计算;同时增加除零保护,避免神经元值或像素值为0时触发运算报错。
修正后的核心代码参考
# 初始化时将bestScore设为接近0的初始值即可 bestScore = 0.0 for y in range(neuronTryNumber): # 每轮尝试开始先重置gap数组,清空历史残留 dataGapArray = [0.0] * numberOfNeurons # 所有神经元基于上一轮的最优值做基准调整 neurons = bestNeurons.copy() trainingSample = random.randint(0, len(images) - 1) for x in range(numberOfNeurons): # 给当前神经元加随机权重扰动 weights[x] = random.uniform(0.75, 1.25) neurons[x] = weights[x] * neurons[x] # 计算单神经元的匹配gap,增加除零保护 pixel_val = float(arrayOfImages[trainingSample][x]) neuron_val = float(neurons[x]) if pixel_val == 0.0: dataGapArray[x] = 1.0 if neuron_val == 0.0 else 0.0 elif neuron_val == 0.0: dataGapArray[x] = 0.0 elif pixel_val > neuron_val: dataGapArray[x] = neuron_val / pixel_val else: dataGapArray[x] = pixel_val / neuron_val # 整轮所有神经元计算完成后,统一计算总分 totalScore = sum(dataGapArray) / numberOfNeurons # 对比历史最高分 if totalScore > bestScore: print(f"New Best Score!: {totalScore}") # 更新最高分和最优神经元集合 bestScore = totalScore bestNeurons = neurons.copy()
内容的提问来源于stack exchange,提问作者The Turbo Ass Slayer
相关产品推荐
相关产品推荐

