11-08 周三图解机器学习之实现逻辑异或，理解输出层误差和隐藏层误差项和动量因子

思影影思

已于 2023-11-08 20:17:15 修改

阅读量430

点赞数

文章标签：机器学习人工智能

于 2023-11-08 17:35:01 首次发布

本文链接：https://blog.csdn.net/lk142500/article/details/134294812

版权

11-08 周三图解机器学习之实现逻辑异或，理解输出层误差和隐藏层误差项

时间	版本	修改人	描述
2023年11月8日14:36:36	V0.1	宋全恒	新建文档

简介

最近笔者完成了《图解机器学习》这本书的阅读，由于最近深度学习网络大行其是，所以也想要好好的弄清楚神经网络的工作原理。比如说训练、比如说验证，比如说权重更新，之前也曾经写过两个博客来描述感知机和BP算法示意。

反向传播这个博客里主要通过一个样本，来不断的更新参数，但实际的神经网络结构是不会像博客中name简单的，因此还是需要给出一个计算公式的。在阅读图解机器学习P169页，如下代码时，自己没有看懂：

        # 计算输出层误差
        for k in range(self.no):
            error = targets[k] - self.ao[k]
            output_deltas[k] = dsigmoid(self.ao[k]) * error
            
        # 计算隐藏层的误差
        hidden_deltas = [0.0]*self.nh
        for j in range(self.nh):
            error = 0
            for k in range(self.no):
                error = error + output_deltas[k] * self.wo[j][k]
            hidden_deltas[j] = dsigmoid(self.ah[j]) * error
            
        # 更新输出层权重
        for j in range(self.nh):
            for k in range(self.no):
                change = output_deltas[k]*self.ah[j]
                self.wo[j][k] = self.wo[j][k] + N*change + M * self.co[j][k]

上述在计算过程中求出了输出层误差和隐藏层误差项。如何理解这个代码片段呢？

完整代码

import math
import random
import string
random.seed(0)

# 生成区间[a, b)内的随机数
def rand(a, b):
    return (b - a) *random.random() + a


# 生成I*J大小的矩阵， 默认零矩阵
def makeMatrix(I, J, fill=0.0):
    m = []
    for i in range(I):
        m.append([fill]*J)
    return m

# 函数 sigmoid， 采用tanh函数， 比起标准的1/(1+exp(-x))更好
def sigmoid(x):
    return math.tanh(x)

# 函数sigmoid的派生函数 tanh(x)' = 1 - tanh(x)^2
def dsigmoid(x):
    return 1.0 - x**2


class BPNeuralNet:
    '''建立三层反向传播神经网络'''
    def __init__(self, ni, nh, no) -> None:
        self.ni = ni + 1
        self.nh = nh
        self.no = no
        
        # 激活神经网络的所有节点
        self.ai = [1.0]* self.ni
        self.ah = [1.0]*self.nh
        self.ao = [1.0]* self.no
        
        # 建立权重矩阵
        self.wi = makeMatrix(self.ni, self.nh)
        self.wo = makeMatrix(self.nh, self.no)
        
        # 设为随机值
        for i in range(self.ni):
            for j in range(self.nh):
                self.wi[i][j] = rand(-0.2, 0.2)
                
        for i in range(self.nh):
            for j in range(self.no):
                self.wo[i][j] = rand(-2.0, 2.0)
                
                
        # 建立动量因子
        self.ci = makeMatrix(self.ni, self.nh)
        self.co = makeMatrix(self.nh, self.no)
        
    # 前向传播，得到预计的输出。
    # 各个神经元的输出分别位于self.ah 和self.ao
    # inputs 代表一个样本
    def fp(self, inputs):
        if len(inputs) != self.ni -1:
            raise ValueError('与输入层节点数不符错误!')
        
        for i in range(self.ni-1):
            self.ai[i] = inputs[i]
        
        for j in range(self.nh):
            sum = 0.0
            for i in range(self.ni):
                sum += self.ai[i]* self.wi[i][j]
            self.ah[j] = sigmoid(sum)
        
        # 激活输出层
        for j in range(self.no):
            sum = 0
            for i in range(self.nh):
                sum += self.ah[i]*self.wo[i][j]
                
            self.ao[j] = sigmoid(sum)
        return self.ao[:]
    
    # N 学习速率 learning factor
    # M 动量因子 momentum factor
    # 基本思路是直接求出每个神经元的误差
    def back_propagate(self, targets, N, M):
        '''反向传播'''
        if len(targets) != self.no:
            raise ValueError("与输出层节点数不符!")
        
        output_deltas = [0.0] * self.no
        
        
        # 计算输出层误差
        for k in range(self.no):
            error = targets[k] - self.ao[k]
            output_deltas[k] = dsigmoid(self.ao[k]) * error
            
        # 计算隐藏层的误差
        hidden_deltas = [0.0]*self.nh
        for j in range(self.nh):
            error = 0
            for k in range(self.no):
                error = error + output_deltas[k] * self.wo[j][k]
            hidden_deltas[j] = dsigmoid(self.ah[j]) * error
            
        # 更新输出层权重
        for j in range(self.nh):
            for k in range(self.no):
                change = output_deltas[k]*self.ah[j]
                self.wo[j][k] = self.wo[j][k] + N*change + M * self.co[j][k]
                self.co[j][k] = change
        
        # 更新输入层权重
        for i in range(self.ni):
            for j in range(self.nh):
                change=hidden_deltas[j]*self.ai[i]
                self.wi[i][j] += N * change + M * self.ci[i][j]
                self.ci[i][j] = change
        
        error = 0.0
        for k in range(len(targets)):
            error = error + 0.5*(targets[k]-self.ao[k])**2
        return error
    

    def test(self, patterns):
        for p in patterns:
            print(p[0], '->', self.fp(p[0]))
            
    
    def weights(self):
        print('输入层权重')
        for i in range(self.ni):
            print(self.wi[i])
            
        print()
        print("输出层权重")
        for j in range(self.nh):
            print(self.wo[j])
    
    def train(self, patterns, iterations=100000, N =0.5, M=0.1):
        for i in range(iterations):
            error = 0.0
            for p in patterns:
                inputs = p[0]
                targets = p[1]
                self.fp(inputs)
                error = error + self.back_propagate(targets, N, M)
                
            if i % 100 ==0:
                print('计算误差的值是: %-.5f'%error)
                    
def trainprog():
    # BP神经网络学习逻辑异或
    pat = [
        [[0, 0], [0]],
        [[0, 1], [1]],
        [[1, 0], [1]],
        [[1, 1], [0]]
    ]
    # 创建一个神经网络，输入层两个节点， 输出层两个节点，输出层一个节点：
    net = BPNeuralNet(2, 3, 1)
    net.train(pat)
    
    # 测试训练的成果
    net.test(pat)
    
if __name__ == '__main__':
    trainprog()

上述代码在理解上并不复杂，主要是通过三层神经网络来拟合逻辑异或运算。采用的是个案更新的策略来更新权重参数。

权重更新

基础知识

多层前馈神经网络。

一个示例：奶酪是否喜爱。

为此我们构建一个神经网络：

激活函数

指数函数
sigmoid
逻辑回归

校正因子的概念如下：

权重更新的策略有多种：

个案更新 case-based 更容易得到准确的结果。
批量更新 batch 优点就是比较快，加速。

迭代终止条件

迭代终止条件：

当权重和偏置差异与上一次非常小
误差达到之前设置的阈值
运行次数

存疑代码

        # 计算输出层误差
        for k in range(self.no):
            error = targets[k] - self.ao[k]
            output_deltas[k] = dsigmoid(self.ao[k]) * error
            
        # 计算隐藏层的误差
        hidden_deltas = [0.0]*self.nh
        for j in range(self.nh):
            error = 0
            for k in range(self.no):
                error = error + output_deltas[k] * self.wo[j][k]
            hidden_deltas[j] = dsigmoid(self.ah[j]) * error
            
        # 更新输出层权重
        for j in range(self.nh):
            for k in range(self.no):
                change = output_deltas[k]*self.ah[j]
                self.wo[j][k] = self.wo[j][k] + N*change + M * self.co[j][k]
                self.co[j][k] = change
        
        # 更新输入层权重
        for i in range(self.ni):
            for j in range(self.nh):
                change=hidden_deltas[j]*self.ai[i]
                self.wi[i][j] += N * change + M * self.ci[i][j]
                self.ci[i][j] = change

上述分别计算出了输出层的误差项和输出层的误差项。按照上述代码理解，前两个for循环用于计算误差项，后两个循环用来更新权重，顺序从后向前，这也是反向传播得名的由来。关键是为什么输出层的误差是这么得来的呢？

参考 BP神经网络-第6集反向传播误差，调整全部权重，这对于理解是非常关键的。

我们以同样的方式，就可以得到每个神经元的误差。如下图

可以采用矩阵相乘的方法

权重通过矩阵乘表示。

gpt辅助理解

自己还是无法理解，但感觉输出层的误差项与选用的损失函数密切相关，因此，笔者询问了GPT，得到了如下的结果：

为什么要乘以激活函数的导数？

交叉熵损失函数的输出层误差项

均方差输出层误差项：

由此，我们可以得到如下的图示：

在计算h1节点的误差项时，输出层两个误差项以w7 和 w8进行作用，进而可以得到h1神经元的误差项：

error_h1=w₇*e₁ + w₈ * e₂。依次可以得到h1, h2, h3神经元的误差项损失。

动量因子

代码片段，其实整体贯彻了P166 图解机器学习图13.10，

相互映照，也可以通过代码来理解上述的过程：

代码参见 11-06 周一神经网络之前向传播和反向传播代码实战

总结

这部分的代码片段比之前的全部手动计算权重更新的过程复杂一些，因为抽象出了输出层误差项和隐藏层误差项，代码的抽象知识更加复杂了，但 BP神经网络-第6集反向传播误差，调整全部权重则直接给出了误差项的矩阵乘表示，而这种方式，应该也是机器学习库中默认使用的方式吧。总之，这篇文章试图解释《图解机器学习》中第13章深度学习网络的代码，弄清楚其中权重更新的方式，包括为什么使用动量因子进行更新这种优化技术。希望读者能够读懂，进而在自己的工程实践中使用深度学习解决自己的问题。

思影影思

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
11-08 周三图解机器学习之实现逻辑异或，理解输出层误差和隐藏层误差项和动量因子

最近笔者完成了《图解机器学习》这本书的阅读，由于最近深度学习网络大行其是，所以也想要好好的弄清楚神经网络的工作原理。比如说训练、比如说验证，比如说权重更新，之前也曾经写过两个博客来描述感知机和BP算法示意。10-09 周一图解机器学习之深度学习感知机学习11-06 周一神经网络之前向传播和反向传播代码实战反向传播这个博客里主要通过一个样本，来不断的更新参数，但实际的神经网络结构是不会像博客中name简单的，因此还是需要给出一个计算公式的。# 计算输出层误差# 计算隐藏层的误差error = 0。
复制链接

扫一扫