由 joycha 于 星期二, 2018-09-18 13:42 發(fā)表

1. 簡單介紹

在機器學(xué)習(xí)和認(rèn)知科學(xué)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，縮寫ANN），簡稱神經(jīng)網(wǎng)絡(luò)（neural network，縮寫NN）或類神經(jīng)網(wǎng)絡(luò)，是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng)，特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，用于對函數(shù)進(jìn)行估計或近似。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)系統(tǒng)。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建模工具。典型的神經(jīng)網(wǎng)絡(luò)具有以下三個部分：

結(jié)構(gòu) （Architecture） 結(jié)構(gòu)指定了網(wǎng)絡(luò)中的變量和它們的拓?fù)潢P(guān)系。例如，神經(jīng)網(wǎng)絡(luò)中的變量可以是神經(jīng)元連接的權(quán)重（weights）和神經(jīng)元的激勵值（activities of the neurons）。

激勵函數(shù)（Activity Rule） 大部分神經(jīng)網(wǎng)絡(luò)模型具有一個短時間尺度的動力學(xué)規(guī)則，來定義神經(jīng)元如何根據(jù)其他神經(jīng)元的活動來改變自己的激勵值。一般激勵函數(shù)依賴于網(wǎng)絡(luò)中的權(quán)重（即該網(wǎng)絡(luò)的參數(shù)）。

學(xué)習(xí)規(guī)則（Learning Rule）學(xué)習(xí)規(guī)則指定了網(wǎng)絡(luò)中的權(quán)重如何隨著時間推進(jìn)而調(diào)整。這一般被看做是一種長時間尺度的動力學(xué)規(guī)則。一般情況下，學(xué)習(xí)規(guī)則依賴于神經(jīng)元的激勵值。它也可能依賴于監(jiān)督者提供的目標(biāo)值和當(dāng)前權(quán)重的值。

2. 初識神經(jīng)網(wǎng)絡(luò)

如上文所說，神經(jīng)網(wǎng)絡(luò)主要包括三個部分：結(jié)構(gòu)、激勵函數(shù)、學(xué)習(xí)規(guī)則。圖1是一個三層的神經(jīng)網(wǎng)絡(luò)，輸入層有d個節(jié)點，隱層有q個節(jié)點，輸出層有l(wèi)個節(jié)點。除了輸入層，每一層的節(jié)點都包含一個非線性變換。

圖1

那么為什么要進(jìn)行非線性變換呢？

（1）如果只進(jìn)行線性變換，那么即使是多層的神經(jīng)網(wǎng)絡(luò)，依然只有一層的效果。類似于0.6*(0.2x1+0.3x2)=0.12x1+0.18x2。
（2）進(jìn)行非線性變化，可以使得神經(jīng)網(wǎng)絡(luò)可以擬合任意一個函數(shù),圖2是一個四層網(wǎng)絡(luò)的圖。

圖2

下面使用數(shù)學(xué)公式描述每一個神經(jīng)元工作的方式
（1）輸出x
（2）計算z=w*x
（3）輸出new_x = f(z)，這里的f是一個函數(shù)，可以是sigmoid、tanh、relu等，f就是上文所說到的激勵函數(shù)。

3. 反向傳播(bp)算法

有了上面的網(wǎng)絡(luò)結(jié)構(gòu)和激勵函數(shù)之后，這個網(wǎng)絡(luò)是如何學(xué)習(xí)參數(shù)（學(xué)習(xí)規(guī)則）的呢？

首先我們先定義下本文使用的激活函數(shù)、目標(biāo)函數(shù)

（1）激活函數(shù)（sigmoid）：

def sigmoid(z): return 1.0/(1.0+np.exp(-z))

sigmoid函數(shù)有一個十分重要的性質(zhì)：，即計算導(dǎo)數(shù)十分方便。

def sigmoid_prime(z): return sigmoid(z)*(1-sigmoid(z))

下面給出一個簡單的證明：

（2）目標(biāo)函數(shù)（差的平方和），公式中的1/2是為了計算導(dǎo)數(shù)方便。

然后，這個網(wǎng)絡(luò)是如何運作的

（1）數(shù)據(jù)從輸入層到輸出層，經(jīng)過各種非線性變換的過程即前向傳播。

def feedforward(self, a): for b, w in zip(self.biases, self.weights): a = sigmoid(np.dot(w, a)+b) return a

其中，初始的權(quán)重（w）和偏置（b）是隨機賦值的

biases = [np.random.randn(y, 1) for y in sizes[1:]] weights = [np.random.randn(y, x) for x, y in zip(sizes[:-1], sizes[1:])]

2）參數(shù)更新，即反向傳播

在寫代碼之前，先進(jìn)行推導(dǎo)，即利用梯度下降更新參數(shù)，以上面的網(wǎng)絡(luò)結(jié)構(gòu)（圖1）為例

（1）輸出層與隱層之間的參數(shù)更新

（2）隱層與輸入層之間的參數(shù)更新

有兩點需要強調(diào)下：
  ?   （2）中的結(jié)果比（1）中的結(jié)果多了一個求和公式，這是因為計算隱層與輸入層之間的參數(shù)時，輸出層與隱層的每一個節(jié)點都有影響。
  ?   （2）中參數(shù)更新的結(jié)果可以復(fù)用（1）中的參數(shù)更新結(jié)果，從某種程度上，與反向傳播這個算法名稱不謀而合，不得不驚嘆。

def backprop(self, x, y): """返回一個元組(nabla_b, nabla_w)代表目標(biāo)函數(shù)的梯度.""" nabla_b = [np.zeros(b.shape) for b in self.biases] nabla_w = [np.zeros(w.shape) for w in self.weights] # feedforward activation = x activations = [x] # list to store all the activations, layer by layer zs = [] # list to store all the z vectors, layer by layer for b, w in zip(self.biases, self.weights): z = np.dot(w, activation)+b zs.append(z) activation = sigmoid(z) activations.append(activation) # backward pass delta = self.cost_derivative(activations[-1], y) * sigmoid_prime(zs[-1]) nabla_b[-1] = delta nabla_w[-1] = np.dot(delta, activations[-2].transpose()) """l = 1 表示最后一層神經(jīng)元，l = 2 是倒數(shù)第二層神經(jīng)元, 依此類推.""" for l in xrange(2, self.num_layers): z = zs[-l] sp = sigmoid_prime(z) delta = np.dot(self.weights[-l+1].transpose(), delta) * sp nabla_b[-l] = delta nabla_w[-l] = np.dot(delta, activations[-l-1].transpose()) return (nabla_b, nabla_w)

4. 完整代碼實現(xiàn)

# -*- coding: utf-8 -*- import random import numpy as np class Network(object): def __init__(self, sizes): """參數(shù)sizes表示每一層神經(jīng)元的個數(shù)，如[2,3,1],表示第一層有2個神經(jīng)元，第二層有3個神經(jīng)元，第三層有1個神經(jīng)元.""" self.num_layers = len(sizes) self.sizes = sizes self.biases = [np.random.randn(y, 1) for y in sizes[1:]] self.weights = [np.random.randn(y, x) for x, y in zip(sizes[:-1], sizes[1:])] def feedforward(self, a): """前向傳播""" for b, w in zip(self.biases, self.weights): a = sigmoid(np.dot(w, a)+b) return a def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None): """隨機梯度下降""" if test_data: n_test = len(test_data) n = len(training_data) for j in xrange(epochs): random.shuffle(training_data) mini_batches = [ training_data[k:k+mini_batch_size] for k in xrange(0, n, mini_batch_size)] for mini_batch in mini_batches: self.update_mini_batch(mini_batch, eta) if test_data: print "Epoch {0}: {1} / {2}".format(j, self.evaluate(test_data), n_test) else: print "Epoch {0} complete".format(j) def update_mini_batch(self, mini_batch, eta): """使用后向傳播算法進(jìn)行參數(shù)更新.mini_batch是一個元組(x, y)的列表、eta是學(xué)習(xí)速率""" nabla_b = [np.zeros(b.shape) for b in self.biases] nabla_w = [np.zeros(w.shape) for w in self.weights] for x, y in mini_batch: delta_nabla_b, delta_nabla_w = self.backprop(x, y) nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)] nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)] self.weights = [w-(eta/len(mini_batch))*nw for w, nw in zip(self.weights, nabla_w)] self.biases = [b-(eta/len(mini_batch))*nb for b, nb in zip(self.biases, nabla_b)] def backprop(self, x, y): """返回一個元組(nabla_b, nabla_w)代表目標(biāo)函數(shù)的梯度.""" nabla_b = [np.zeros(b.shape) for b in self.biases] nabla_w = [np.zeros(w.shape) for w in self.weights] # 前向傳播 activation = x activations = [x] # list to store all the activations, layer by layer zs = [] # list to store all the z vectors, layer by layer for b, w in zip(self.biases, self.weights): z = np.dot(w, activation)+b zs.append(z) activation = sigmoid(z) activations.append(activation) # backward pass delta = self.cost_derivative(activations[-1], y) * sigmoid_prime(zs[-1]) nabla_b[-1] = delta nabla_w[-1] = np.dot(delta, activations[-2].transpose()) """l = 1 表示最后一層神經(jīng)元，l = 2 是倒數(shù)第二層神經(jīng)元, 依此類推.""" for l in xrange(2, self.num_layers): z = zs[-l] sp = sigmoid_prime(z) delta = np.dot(self.weights[-l+1].transpose(), delta) * sp nabla_b[-l] = delta nabla_w[-l] = np.dot(delta, activations[-l-1].transpose()) return (nabla_b, nabla_w) def evaluate(self, test_data): """返回分類正確的個數(shù)""" test_results = [(np.argmax(self.feedforward(x)), y) for (x, y) in test_data] return sum(int(x == y) for (x, y) in test_results) def cost_derivative(self, output_activations, y): return (output_activations-y) def sigmoid(z): return 1.0/(1.0+np.exp(-z)) def sigmoid_prime(z): """sigmoid函數(shù)的導(dǎo)數(shù)""" return sigmoid(z)*(1-sigmoid(z))

5. 簡單應(yīng)用

# -*- coding: utf-8 -*- from network import * def vectorized_result(j,nclass): """離散數(shù)據(jù)進(jìn)行one-hot""" e = np.zeros((nclass, 1)) e[j] = 1.0 return e def get_format_data(X,y,isTest): ndim = X.shape[1] nclass = len(np.unique(y)) inputs = [np.reshape(x, (ndim, 1)) for x in X] if not isTest: results = [vectorized_result(y,nclass) for y in y] else: results = y data = zip(inputs, results) return data #隨機生成數(shù)據(jù) from sklearn.datasets import * np.random.seed(0) X, y = make_moons(200, noise=0.20) ndim = X.shape[1] nclass = len(np.unique(y)) #劃分訓(xùn)練、測試集 from sklearn.cross_validation import train_test_split train_x,test_x,train_y,test_y = train_test_split(X,y,test_size=0.2,random_state=0) training_data = get_format_data(train_x,train_y,False) test_data = get_format_data(test_x,test_y,True) net = Network(sizes=[ndim,10,nclass]) net.SGD(training_data=training_data,epochs=5,mini_batch_size=10,eta=0.1,test_data=test_data)

參考文獻(xiàn)
（1）周志華《機器學(xué)習(xí)》
（2）https://github.com/mnielsen/neural-networks-and-deep-learning
（3）https://zhuanlan.zhihu.com/p/21525237

版權(quán)聲明：
如需轉(zhuǎn)載，請注明出處：雪倫_（ ）
原文鏈接：https://blog.csdn.net/a819825294/article/details/53393837