深度学习之神经网络

海滩上的那乌克丽丽

已于 2022-04-06 10:25:04 修改

阅读量2.9k

点赞数

分类专栏：深度学习神经网络文章标签：深度学习

于 2022-03-24 23:02:04 首次发布

本文链接：https://blog.csdn.net/h2728677716/article/details/123695773

版权

深度学习同时被 2 个专栏收录

13 篇文章 2 订阅

订阅专栏

神经网络

2 篇文章 0 订阅

订阅专栏

神经网络

有监督的算法。

神经网络算法既能做回归又能做分类。

我们说人工智能做的就是拟人，神经网络就做的最佳的拟人。

1.神经元介绍：

神经网络是由很多神经元组成。神经元的每个输入是机器学习中的每个特征维度X，每个连接是权重W，将特征维度和权重相乘再相加汇总，经过一个非线性变换（函数变换）后的结果，就是一个神经元的输出。也是下层神经元的输入。

也就是说对于一个神经元，有可能就是一个线性回归，也有可能就是一个逻辑回归，这取决于加和后的非线性变换是什么函数。

那么整个神经网路就是每一个浅层的机器学习算法的组合。

2.激活函数（activition function）：

在神经元中引入了激活函数，它的本质事项神经网络中引入非线性因素，通过激活函数，神经网络可以拟合各种曲线。通过引入激活函数那输出不再是线性组合，可以逼近任意函数。

将数据与权重相乘再加和汇总后，经过一个非线性变换。这个非线性变换就是激活函数。三种常见的激活函数，激活函数一般用在隐藏层，输出层一般叫做非线性变换。

（1）sigmoid

主要用于二分类。将数据缩放到0-1之间

（2）tanh将数据缩放到（-1，1）之间(在RNN循环神经网络隐藏层里面用的比较多)

（3）Relu：现在用relu的比较多。在（0，x）之间取值，大于0就去当前值，小于0就取0.

（4）LeakReLu:Relu激活函数的改进，大量的Relu激活函数可能会导致神经元死亡的现象，LeakReLu就是为了避免这样的情况发生。（类似于加了一个平滑系数）

当用Relu效果不好的时候，可以尝试使用LeakRelu激活函数。

（5）sofamax：用于多分类的输出层中，主要用于多分类。有多个概率结果，这些结果加和等于1，其中概率最大的就是我们要预测的类别。

如何选择激活函数

神经元初始化参数

对于一个神经元来说，需要初始化的参数有两类，一类是权重，一类是偏置b(初始化0即可)

初始化方式：

1.随机初始化：均值为零，标准差为1的正态分布随机取值初始化方式（很少用）。

2.标准初始化：假设有n个输入，那么就根据均匀分布从-1导根号下n之间均匀取值（很少用）。

3.Xavier初始化：

Glorot正态分布初始化器，是以0为中心，标准差为stddev=sqrt(2 / fan_in + fan_out)的正态分布抽样样本，fan_in输入神经元个数，fan_out输出神经元个数。

init = tf.keras.initializers.glorot_normal()
# 采样得到的数量9行1列
values = init(shape=(9, 1))
print(values)

Glorot均匀分布初始化器，是[-limit,limit]均匀分布中抽取样本，其中limit是sqrt(6/fan_in + fan_out)

init2 = tf.keras.initializers.glorot_uniform()
values = init2(shape=(9, 1))
print(values)

4.he初始化：

基本思想：正向传播时，激活值的方差保持不变，反向传播时，状态值梯度方差保持不变，

he正态分布初始化以0为中心，标准差为stddev=sqrt(2 / fan_in)

he标准化初始化是[-limit,limit]均匀分布中抽取样本，其中limit是sqrt(6/fan_in)

init3 = tf.keras.initializers.he_normal()
values = init3(shape=(9, 1))
print(values)

init4 = tf.keras.initializers.he_uniform()
values = init4(shape=(9, 1))
print(values)

常见的损失函数

损失函数就是衡量预测值与真实值之间的差异。真实值与预测值之间的差异越小，交叉熵损失越小。

1.多分类损失函数：交叉熵损失函数

y_true = [[0, 1, 0], [0, 0, 1]]
y_pred = [[0.05, 0.95, 0], [0.1, 0.1, 0.8]]
cce = tf.keras.losses.CategoricalCrossentropy()
print(cce(y_true, y_pred))

2.二分类损失函数：二分类交叉熵损失函数

y_ture = [[0], [1]]
y_pred = [[0.4], [0.6]]
bce = tf.keras.losses.BinaryCrossentropy()
print(bce(y_true, y_pred))

3.回归任务损失函数MAE最小绝对误差，MSE最小均方误差，smoothL1损失

MAE(L1)损失函数在0点处不可导，所以用梯度下降不合适，一般用于L1正则化项加载损失函数后面。

y_true = [[0.], [1.]]
y_pred = [[1.], [0.]]
bce = tf.keras.losses.MeanAbsoluteError()
print(bce(y_true, y_pred))

MSE最小均方误差(L2),一般当作L2正则项使用，使用的话容易出现梯度爆炸。

y_true = [[0.], [1.]]
y_pred = [[1.], [0.]]
bce = tf.keras.losses.MeanSquaredError()
print(bce(y_true, y_pred))

smoothL1损失，是一个分段函数，在[-1, 1]之间实际上是L2损失，解决了L1不光滑0点不可导的问题，在[-1,1]区间外实际上就是L1损失，解决了离群点梯度爆炸的问题。

y_true = [[0.], [1.]]
y_pred = [[1.], [0.]]
bce = tf.keras.losses.Huber()
print(bce(y_true, y_pred))

3.网络拓扑：

神经元数量以及层数和他们的连接方式（DNN全连接，CNN局部链接）

单层神经网络

输入层：对于输入层我们要有X特征，y标签

输入层的数据假设有三个特征维度，那么输入层的第一条样本的三个数值输入与x1,x2,x3 进行相乘并汇总加和。

输出层：汇总加和的值经过function变换后就是输出。

4.单层神经网络逻辑回归多分类二分类

如果最后的function是sigmoid，那最后输出的值是概率。

如果输入层是批量输入，假设一次输入了三条样本，那么X1,X2,X3都是三个值，再与w1,w2,w3相乘加和后（注意这里加和是每条样本分别加和并不是所有都加在一起，例如第一条样本X11*w1+X12*w2+X13*w3，第二条样本X12*w1+X22*w2+X32*w3，第三条样本X13*w1+X23*w2+X33*w3）经过function变换得到y1,y2,y3

对于逻辑回归来说，如果做二分类，单层神经网络就会有一个输出节点（一个正例的概率，1-p得到负例的概率）

逻辑回归做多分类（OVR）就会有多个输出节点。比如做三分类就会有三个输出节点（三个类别的概率，也会有三个训练模型），在逻辑回归求梯度调整W参数的时候，每个输出的节点都会调整自己的W参数，不会调整别的W，这一点和softmax有本质差别。

5.单层神经网络softmax做多分类

softmax每个类别概率加在一起等于一

$softmax=\frac{e^{\theta _{i}^{T}}}{e^{\theta _{1}^{T}}+e^{\theta _{2}^{T}}+e^{\theta _{3}^{T}}+..+e^{\theta _{i}^{T}}}$

交叉熵损失函数 = $\frac{1}{m}\sum_{i=1}^{m}\sum_{j=1}^{k}y_{ij}\cdot log(\hat{y_{ij}}))$

由公式我们可以看出求出来的概率不仅要用到当前类别的的z,还要用到其他类别的z作为分母加和。

我们知道对于softmax真实值yij，如果有三个类别，其中真实值是第二个类别那么真实值就是（0，1，0），有交叉熵损失函数 $\frac{1}{m}\sum_{i=1}^{m}\sum_{j=1}^{k}y_{ij}\cdot log(\hat{y_{ij}}))$ ，也就是说最终求得预测结果只有第二个值对loss有贡献。然后在反向求梯度。

但是尽管只有第二个对loss有贡献，他要调整的参数θ也是所有的θ，因为softmax公式决定了每个类别的概率是所有的的加和。

6.网络拓扑层多一层网络

（1）输入层-->隐藏层-->输出层，隐藏层可以有多层。隐藏层的激活函数必须是非线性的激活函数。

（2）隐藏层的意义：可以抽取更高阶的特征，让结果更准确。

（3）隐藏层越多，当然预测也会越准确，但是也意味着中间有更多的参数要去学习。也有可能过拟合。

（4）隐藏层每一层都要加上截距项。

神经网络每一层的神经元数量是可以由我们决定的，所以隐藏如果下一层神经元数量比上一层神经元数量少，可以起到降维的作用。相反，下一层神经元比上一层数量多，又可以起到升维的作用。

所以神经网络可已经数据预处理和求解参数当作一个整体。包括预处理也是需要调整和训练的，而机器学习是将数据预处理和训练分成两个阶段。

7.多节点输出网络

二分类有一个输出节点

多分类有多个输出节点

做回归也可以有多个输出节点

其实输出层也可以同时做回归和分类。

8.神经网络有两个阶段：

正向传播：从输入经过隐藏层到输出层，这个过程叫做正向传播。正向传播要计算y_hat

反向传播（Backpropagation）

反向传播我们要求出梯度，所以如果loss对Wj求偏导，但是W有对y_hat有影响，所以根据链式求导法则， $\frac{\partial loss}{\partial W_{j}}=\frac{\partial loss}{\partial y\hat{}}*\frac{\partial y\hat{}}{\partial W_{j}}$

在前向传播后向传播过程中有求导的过程，我们用梯度下降法进行求导

9.使用tensorflow.keras构建神经

单个网络层构建方式

"""
activation激活函数
use_bias截距项
bias_initializer截距初始化
kernel_initializer参数初始化方式
"""
tf.keras.layers.Dense(units=True, activation=None, use_bias=True, 
kernel_initializer='glorot_uniform', bias_initializer='zero')

1.代码通过Sequential()快速构建一个神经网络模型,只能构建简单的网络结构。

# sequential方式
model = tf.keras.Sequential([
    # 输入层
    tf.keras.layers.Dense(3, activation="relu", kernel_initializer="he_normal", name="layer1", input_shape=(3,)),
    # 隐藏层
    tf.keras.layers.Dense(2, activation="relu", kernel_initializer="he_normal", name="layer2"),
    # 输出层
    tf.keras.layers.Dense(2, activation="sigmoid", kernel_initializer="he_normal", name="layer3")
],
name="sequ"
)
# 展示模型结果
print(model.summary())
tf.keras.utils.plot_model(model)

2.通过函数式编程构建神经网络（用的最多）

# 函数式编程实现神经网络
# 定义输入层
inputs = tf.keras.Input(shape=(3,), name="input")
# 定义layer1
x = tf.keras.layers.Dense(3, activation="relu", name="layer1")(inputs)
# 定义layer2
x = tf.keras.layers.Dense(2, activation="relu", name="layer2")(x)
# 定义输出层
outputs = tf.keras.layers.Dense(2, activation="sigmoid", name="output")(x)
# 使用Model定义模型，指明输入和输出
model = tf.keras.Model(inputs=inputs, outputs=outputs, name="my_model")

# 展示模型结果
print(model.summary())
# show_shapes=True打印当前维度
tf.keras.utils.plot_model(model, show_shapes=True)

3.通过model子类构建神经网络


# 基于model子类实现神经网络
class MyModel(tf.keras.Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.layer1 = tf.keras.layers.Dense(3, activation="relu", kernel_initializer="he_normal", name="layer1", input_shape=(3,))
        self.layer2 = tf.keras.layers.Dense(2, activation="relu", kernel_initializer="he_normal", name="layer2")
        self.layer3 = tf.keras.layers.Dense(2, activation="relu", kernel_initializer="he_normal", name="layer3")

    def call(self, inputs):
        x = self.layer1(inputs)
        x = self.layer2(x)
        return self.layer3(x)

# 实例化
print("-------------------------")
model = MyModel()
print(model(tf.ones((1, 3))))
model.summary()

10.神经网络中的梯度下降算法，深度学习中SGD是直接用的小批量梯度下降。

opt = tf.keras.optimizers.SGD(learning_rate=0.1)
var = tf.Variable(1.0)
# 定义损失函数
loss = lambda:(var**2)/2.0
# 计算梯度，并进行参数更新，这一步就是把所有参数带入梯度下降公式进行计算
opt.minimize(loss, [var])
# 参数更新结果
print(var.numpy())

# 这里使用梯度下降法公式Wt = W(t-1) - 学习率*梯度
# 学习率已知，梯度是对自己定义的loss损失函数求导得到var
# 那么结果就是1.0 - 0.1*1.0 = 0.9

11.神经网络的优缺点

优点：

精度高，性能优于其他机器学习方法

可以近似任意非线性函数

随着计算机硬件的发展，近年来在学界和业界收到热捧，有大量的框架和库可供调用

缺点：

黑箱，很难解释模型是怎样工作的

训练时间长，需要大量的算力

网络结构复杂，需要调整超参数

小数据表现不佳，容易发生过拟合

海滩上的那乌克丽丽

关注

0
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
深度学习之神经网络

神经网络有监督的算法。神经网络算法既能做回归又能做分类。我们说人工智能做的就是拟人，神经网络就做的最佳的拟人。神经元神经网络是由很多神经元组成。神经元的每个输入是机器学习中的每个特征维度X，每个连接是权重W，将特征维度和权重相乘再相加汇总，经过一个非线性变换（函数变换）后的结果，就是一个神经元的输出。也是下层神经元的输入。也就是说对于一个神经元，有可能就是一个线性回归，也有可能就是一个逻辑回归，这取决于加和后的非线性变换是什么函数。那么整个神经网路就是浅层的机器学习算法的
复制链接

扫一扫