受限的玻尔兹曼机

最新推荐文章于 2023-10-06 10:43:31 发布

我想娶这个

最新推荐文章于 2023-10-06 10:43:31 发布

阅读量181

点赞数

本文链接：https://blog.csdn.net/hggjgff/article/details/84012613

版权

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

受限的玻尔兹曼机

分类：统计机器学习算法理论 2013-07-31 15:21 338人阅读评论(0) 收藏举报

将matlab代码http://code.google.com/p/matrbm/中rbmBB改写成Python代码，如下，参考文献为：

1 A Tutorial on Stochastic Approximation Algorithms for Training Restricted Boltzmann Machines and Deep Belief Nets

2 Inductive Principles for Learning Restricted Boltzmann Machines

3 Training products of experts by minimizing contrastive divergence

4 受限波尔兹曼机简介

[python] view plain copy

import matplotlib.pylab as plt
import numpy as np
import random
from scipy.linalg import norm
import PIL.Image
class Rbm:
def __init__(self,n_visul, n_hidden, max_epoch = 50, batch_size = 110, penalty = 2e-4, anneal = False, w = None, v_bias = None, h_bias = None):
self.n_visible = n_visul
self.n_hidden = n_hidden
self.max_epoch = max_epoch
self.batch_size = batch_size
self.penalty = penalty
self.anneal = anneal
if w is None:
self.w = np.random.random((self.n_visible, self.n_hidden)) * 0.1
if v_bias is None:
self.v_bias = np.zeros((1, self.n_visible))
if h_bias is None:
self.h_bias = np.zeros((1, self.n_hidden))
def sigmod(self, z):
return 1.0 / (1.0 + np.exp( -z ))
def forward(self, vis):
#if(len(vis.shape) == 1):
#vis = np.array([vis])
#vis = vis.transpose()
#if(vis.shape[1] != self.w.shape[0]):
vis = vis.transpose()
pre_sigmod_input = np.dot(vis, self.w) + self.h_bias
return self.sigmod(pre_sigmod_input)
def backward(self, vis):
#if(len(vis.shape) == 1):
#vis = np.array([vis])
#vis = vis.transpose()
#if(vis.shape[0] != self.w.shape[1]):
back_sigmod_input = np.dot(vis, self.w.transpose()) + self.v_bias
return self.sigmod(back_sigmod_input)
def batch(self):
eta = 0.1
momentum = 0.5
d, N = self.x.shape
num_batchs = int(round(N / self.batch_size)) + 1
groups = np.ravel(np.repeat([range(0, num_batchs)], self.batch_size, axis = 0))
groups = groups[0 : N]
perm = range(0, N)
random.shuffle(perm)
groups = groups[perm]
batch_data = []
for i in range(0, num_batchs):
index = groups == i
batch_data.append(self.x[:, index])
return batch_data
def rbmBB(self, x):
self.x = x
eta = 0.1
momentum = 0.5
W = self.w
b = self.h_bias
c = self.v_bias
Wavg = W
bavg = b
cavg = c
Winc = np.zeros((self.n_visible, self.n_hidden))
binc = np.zeros(self.n_hidden)
cinc = np.zeros(self.n_visible)
avgstart = self.max_epoch - 5;
batch_data = self.batch()
num_batch = len(batch_data)
oldpenalty= self.penalty
t = 1
errors = []
for epoch in range(0, self.max_epoch):
err_sum = 0.0
if(self.anneal):
penalty = oldpenalty - 0.9 * epoch / self.max_epoch * oldpenalty
for batch in range(0, num_batch):
num_dims, num_cases = batch_data[batch].shape
data = batch_data[batch]
#forward
ph = self.forward(data)
ph_states = np.zeros((num_cases, self.n_hidden))
ph_states[ph > np.random.random((num_cases, self.n_hidden))] = 1
#backward
nh_states = ph_states
neg_data = self.backward(nh_states)
neg_data_states = np.zeros((num_cases, num_dims))
neg_data_states[neg_data > np.random.random((num_cases, num_dims))] = 1
#forward one more time
neg_data_states = neg_data_states.transpose()
nh = self.forward(neg_data_states)
nh_states = np.zeros((num_cases, self.n_hidden))
nh_states[nh > np.random.random((num_cases, self.n_hidden))] = 1
#update weight and biases
dW = np.dot(data, ph) - np.dot(neg_data_states, nh)
dc = np.sum(data, axis = 1) - np.sum(neg_data_states, axis = 1)
db = np.sum(ph, axis = 0) - np.sum(nh, axis = 0)
Winc = momentum * Winc + eta * (dW / num_cases - self.penalty * W)
binc = momentum * binc + eta * (db / num_cases);
cinc = momentum * cinc + eta * (dc / num_cases);
W = W + Winc
b = b + binc
c = c + cinc
self.w = W
self.h_bais = b
self.v_bias = c
if(epoch > avgstart):
Wavg -= (1.0 / t) * (Wavg - W)
cavg -= (1.0 / t) * (cavg - c)
bavg -= (1.0 / t) * (bavg - b)
t += 1
else:
Wavg = W
bavg = b
cavg = c
#accumulate reconstruction error
err = norm(data - neg_data.transpose())
err_sum += err
print epoch, err_sum
errors.append(err_sum)
self.errors = errors
self.hiden_value = self.forward(self.x)
h_row, h_col = self.hiden_value.shape
hiden_states = np.zeros((h_row, h_col))
hiden_states[self.hiden_value > np.random.random((h_row, h_col))] = 1
self.rebuild_value = self.backward(hiden_states)
self.w = Wavg
self.h_bais = b
self.v_bias = c
def visualize(self, X):
D, N = X.shape
s = int(np.sqrt(D))
if s == int(np.floor(s)):
num = int(np.ceil(np.sqrt(N)))
a = np.zeros((num*s + num + 1, num * s + num + 1)) - 1.0
x = 0
y = 0
for i in range(0, N):
z = X[:,i]
z = z.reshape(s,s,order='F')
z = z.transpose()
a[x*s+1+x - 1:x*s+s+x , y*s+1+y - 1:y*s+s+y ] = z
x = x + 1
if

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

全新的界面设计 ，将会带来全新的写作体验；
在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
全新的 KaTeX数学公式 语法；
增加了支持甘特图的mermaid语法¹ 功能；
增加了 多屏幕编辑 Markdown文章功能；
增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

~~删除文本~~

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block var foo = 'bar';

生成一个适合你的列表

项目
- 项目
  - 项目

项目1
项目2
项目3

计划任务
完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	`'Isn't this fun?'`	‘Isn’t this fun?’
Quotes	`"Isn't this fun?"`	“Isn’t this fun?”
Dashes	`-- is en-dash, --- is em-dash`	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ 是通过欧拉积分

$\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

gantt
        dateFormat  YYYY-MM-DD
        title Adding GANTT diagram functionality to mermaid
        section 现有任务
        已完成               :done,    des1, 2014-01-06,2014-01-08
        进行中               :active,  des2, 2014-01-09, 3d
        计划一               :         des3, after des2, 5d
        计划二               :         des4, after des3, 5d