iOS人工智能交流模型4-用CC_ANN实现DNN网络

本文链接：https://blog.csdn.net/gwh111/article/details/96843650

大纲

神经网络学习
常用模型分析
iOS中的CoreML等闭源库
通过bench_ios中的CC_ANN使用激活函数ReLU和Sigmoid实现DNN网络。
caffe、tensorflow等对比

介绍一个CC_ANN使用例子
回顾神经网络的构成
进行一次完整计算

CC_ANN是用oc封装的一层和多层神经网络例子，支持激活函数Sigmoid和ReLU

调用例子

//一次乘法的学习
//创建一个ANN网络
CC_ANN *ann=[[CC_ANN alloc]init];

//学习100次
int count=100
[ann autoTrainTwoToOne:@[@[@[@(0.2),@(0.6)],@(0.12)],@[@[@(0.4),@(0.6)],@(0.24)],@[@[@(0.3),@(0.4)],@(0.12)]] activeFunction:ActiveFunctionTypeSigmoid trainTimes:count];
double predict1=[ann calWithInput:@[@(0.2),@(0.6)]];
double predict2=[ann calWithInput:@[@(0.4),@(0.6)]];
double predict3=[ann calWithInput:@[@(0.3),@(0.4)]];
double predict4=[ann calWithInput:@[@(0.4),@(0.5)]];
NSLog(@"p1=%f p2=%f p3=%f p4=%f",predict1,predict2,predict3,predict4);

//打印结果
p1=0.121306 p2=0.237448 p3=0.122096 p4=0.208426
耗时0.002秒

//学习1000次
int count=1000
//打印结果
p1=0.120000 p2=0.239999 p3=0.120001 p4=0.209638
耗时0.026秒

//学习10000次
int count=10000
//打印结果
p1=0.120000 p2=0.240000 p3=0.120000 p4=0.209638
耗时0.28秒

例子结论：

学习次数越多，对例子的还原越正确。如2*6越来越接近12
学习次数到达一定次数后，对预测的精确度不会再提高。如我们没有教过4*5，但是预测答案接近20，在学习1000次后，达到20.9638，但是学习10000次也没有将精度再次提高

这个例子符合神经网络的特征

下面看下如何构建一层神经网络，具体的计算方法。

线性函数和sigmoid函数
LinearRegression模型：
sigmoid函数：

隐层决定了最终的分类效果

可以看到，隐层越多，分类效果越好，因为可以转折的点更多。实际上，Kolmogorov理论指出：双隐层感知器就足以解决任何复杂的分类问题。
但是，过多的隐层和神经元结点会带来过拟合问题，不要试图降低神经网络参数量来减缓过拟合，用正则化或者dropout。

神经网络结构

传递函数/激活函数
每一层传递使用wx+b，对每一个输出使用sigmoid、tanh、relu等激活函数使线性的结果非线性化。
为什么需要传递函数？
简单理解上，如果不加激活函数，无论多少层隐层，最终的结果还是原始输入的线性变化，这样一层隐层就可以达到结果，就没有多层感知器的意义了。所以每个隐层都会配一个激活函数，提供非线性变化。

BP算法
一个反馈网络，类似生物的反馈网络，和人走路不会摔倒一样，每一次输出都会有反馈去修正误差，使下一次结果更接近理想结果。

以三层感知器为例做计算：
网络结构

可以用到的公式为：

代入参数：

两个输入；
隐层: b1, w1, w2, w3, w4 (都有初始值）计算一个合理的初始值可以使用前面提到的HE初始化、随机初始化和pre-train初始化
输出层：b2, w5, w6, w7, w8（赋了初始值）
这里使用sigmoid激活函数

用E来衡量误差大小，为反馈提供支持：

获得E后反向计算误差：
对E求导就可计算出误差梯度

计算出w5、w6、w7、w8的误差梯度：
误差梯度乘以学习率即是需要调整的误差值

同理，再向上一级推导出w1-w4的误差值：

完成一次反向传播：
求误差对w5的偏导过程参数更新：求误差对w1的偏导注意，w1对两个输出的误差都有影响
通过以上过程可以更新所有权重，就可以再次迭代更新了，直到满足条件。

可以提供的数学函数：

@interface CC_Math : NSObject

+ (double)sign:(double)input;

/**
 *  激活函数
 */
+ (double)sigmoid:(double)input;
+ (double)reLU:(double)input;

/**
 *  双s曲线
 */
+ (double)doubleS:(int)input;

/**
 *  标准正态分布
 */
+ (double)randn:(double)input;

/**
 *  获得初始化权重
 *  length w个数
 */
+ (NSMutableArray *)getW_positive_unitball:(int)length;
/**
 *  weight = np.random.randn(in_node, out_node)/np.sqrt(in_node)
 */
+ (NSMutableArray *)getW_XavierFiller:(int)length;
/**
 *  Xavier论文中使用的激活函数是tanh函数，而神经网络中使用较广泛的是relu激活函数，所以提出此方法。
    weight = np.random.randn(in_node, out_node)/np.sqrt(in_node/2)
 */
+ (NSMutableArray *)getW_MSRAFiller:(int)length;

@end

可以提供的ANN函数

typedef enum : NSUInteger {
    ActiveFunctionTypeReLU,
    ActiveFunctionTypeSigmoid,//如使用sigmoid 输入输出范围在[-1,1]
} ActiveFunctionType;

@interface CC_ANN : NSObject

/**
 *  训练结束后可计算结果
 */
- (double)calWithInput:(NSArray *)input;

//- (double)calWithInput_twolevel:(NSArray *)input;

/**
 *  一层深度学习
 *  samples 学习样本 多个样本以数组形式
    例：@[@[@[@(0.2),@(0.6)],@(0.12)],@[@[@(0.4),@(0.6)],@(0.24)]]
 *  weights 初始化权重 一层深度 2个输入1个输出需要权重 2^2+2=6个初始值
 *  learningRate 学习率 选一个较小值 如0.4
 *  activeFunction 激活函数
 *  times 训练次数
 */
- (void)trainTwoToOne:(NSArray *)samples weights:(NSArray *)weights learningRate:(double)learningRate activeFunction:(ActiveFunctionType)activeFunction trainTimes:(int)times;

/**
 *  一层深度学习 自动寻找最佳学习率 自动获取初始化权值w
 *  activeFunction 激活函数
 *  times 训练次数
 */
- (void)autoTrainTwoToOne:(NSArray *)samples activeFunction:(ActiveFunctionType)activeFunction trainTimes:(int)times;

/**
 *  一层深度学习 自动寻找最佳学习率 自动获取初始化权值w
 *  errorRate 到最小错误率前不会停止学习
 */
- (void)autoTrainTwoToOne:(NSArray *)samples activeFunction:(ActiveFunctionType)activeFunction untilErrorRate:(double)errorRate;

- (void)trainTwoToOne:(NSArray *)samples trainTimes:(int)times deep:(int)deep;
- (void)trainTwoToOne:(NSArray *)samples trainTimes:(int)times;

@end

demo下载
https://github.com/gwh111/bench_ios