现在深度学习越来越流行,在很多地方都能看到它的声影,最常见的就是应用在图像分类上。
今天给大家带来的是人工神经网络(多层感知器MLP)拟合正弦函数曲线的例子。我们选用的平台是 halcon, 大家理解了原理之后,可以应用到其它平台上,如 openCV ,tensorflow,and so on.
话不多说,进入今天的正题:
第一步: 创建一个网络模型
//create_class_mlp( : : NumInput, NumHidden, NumOutput, OutputFunction, Preprocessing, NumComponents, RandSeed : MLPHandle)
NHidden = 10;
create_class_mlp(1, NHidden, 1, "linear", "none", 1, 42, &MLPHandle);
这里有个需要注意的地方, 输入层和输出层的大小要与特征向量的维度相等。 由于我们是拟合函数,自然 ,特征 和标签(label)的维度都是 1,所以 输入层和输出层 都设置 为 1。而输出层需要注意,设置太小,可能特征学习不完全,设置过大,学习过程会过拟合。这两者都是我们不愿意看到的,这个隐藏层数只能去尝试,或者根据长期的经验,这里我设置的是 10. 拟合正弦函数的结果还不错,可以改成其他值试一试。
第二步,接下来,我们添加训练数据样本。
//Generate the training data
NData = 1000;
for (i=0; i<=1000; i+=1)
{
Temp = i*0.01;
D[i] = Temp;
T[i] = Temp.Sin();
add_sample_class_mlp(MLPHandle, HTuple(D[i]), HTuple(T[i]));
}
需要注意点,特征数据和标签都是浮点数精度,换成整型会报错. 这一步也比较简单。
第三步,接下来,我们训练网络模型。
//train_class_mlp( : : MLPHandle, MaxIterations, WeightTolerance, ErrorTolerance : Error, ErrorLog)
//Train the MLP
train_class_mlp(MLPHandle, 200000, 0.001, 0.001, &Error, &ErrorLog);
这一步只有一行代码,对其中几个重要的参数说明一下:如果需要其他参数说明,可以在halcon中查看说明。
MaxIterations : 训练时候的迭代次数。 本例子设置的是200000.
ErrorLog : 记录其中迭代次日志,从本文的例子来看,只保存有几次的残差日志数据。
第四步 测试估计训练好的模型准确度。
evaluate_class_mlp (MLPHandle, 3.1415926/6, Y)
测试数据也比较简单, 选取 进行测试,得到如下结果:
可以看到,预测估算的结果基本与正弦函数测试值一致,说明我们的模型训练还算是成功的。
第五步 清除模型。
clear_class_mlp (MLPHandle)
好了,以上就是 关于人工神经网络模型训练的一个例子,通过这个例子,可以了解到神经网络训练的一般步骤,为后面学习更加复杂的深度学习模型打下一定的基础。