学习过程基本上是对文档的翻译,参考视频讲解,此文为学习记录,方便日后回顾。大家可以直接看原文和视频讲解。侵权必删!
学习文档@Victor Zhou Machine Learning for Beginners: An Introduction to Neural Networks - victorzhou.com
学习视频@bilibili天外来课
【天外来课的个人空间-哔哩哔哩】 https://b23.tv/qzstdnb
一、构建模块
1.神经元输入x、权重W、偏置值b、激活函数f,一个完整的计算过程。
神经元,神经网络的基本单位。一个神经元接受输入,对它们进行一些计算,然后产生一个输出。这是一个双输入神经元的样子:
这个过程有三步计算。首先,每个输入乘以一个权重:
接下来,将所有加权输入与偏置b加在一起:
最后,这个和经过一个激活函数f得到y:
激活函数用于将无界输入转换为具有良好的可预测形式的输出。一个常用的激活函数是sigmoid函数:
2.前馈网络构建举例
一个简单的例子
假设我们有一个使用sigmoid激活函数的2个输入的神经元,并具有以下参数:
权重 w=[0,1]
偏置 b=4
W =[0,1]是w1=0, w2=1的向量形式。现在,给定神经元输入x=[2,3],x1=2,x2=3。用点积来把东西写得更简洁:
给定输入x=[2,3] 神经元输出0.999。这种将输入向前传递以获得输出的过程称为前馈。(之前一直不太懂什么是前向传播,什么是反向传播,看了这个例子后明白了什么是前向传播。反向传播后面也有说到。)
3.神经元的python代码实现
sigmoid(x)函数的计算公式如下:
import numpy as np
def sigmoid(x): #定义激活函数sigmoid
# Our activation function: f(x) = 1 / (1 + e^(-x))
return 1 / (1 + np.exp(-x))
class Neuron: #定义神经元类
def __init__(self, weights, bias): #定义权重和偏置值初始化方法
self.weights = weights
self.bias = bias
def feedforward(self, inputs): #定义前向传播方法
# Weight inputs, add bias, then use the activation function
total = np.dot(self.weights, inputs) + self.bias #对应公式 w·x+b
return sigmoid(total)
#给定weights、bias,对Neuron类进行实例化
weights = np.array([0, 1]) # w1 = 0, w2 = 1
bias = 4 # b = 4
n = Neuron(weights, bias)
#给定神经元输入x,将x传入并进行前向传播
x = np.array([2, 3]) # x1 = 2, x2 = 3
print(n.feedforward(x)) # 0.9990889488055994
二、将神经元组合成神经网络
神经网络是一堆连接在一起的神经元。下面是一个简单的神经网络的样子:
这个网络有2个输入(x1和x2),一个隐藏层有2个神经元(h1和h2),一个输出层有1个神经元(o1)。注意,o1的输入是h1和h2的输出——这就是使它成为一个网络的原因。(是因为通过O1把两个神经元连接起来了,所以成为了一个网络?)
隐藏层是介于输入(第一层)和输出(最后一层)之间的任何层。可以有多个隐藏层!(之前对于隐藏层的概念感知一直很模糊,现在明白了!)
示例:用上述网络实现前馈
让我们使用上图中的网络,并假设所有神经元具有相同的权重w=[0,1](即h1和h2的权重都是w),相同的偏差b=0(即h1和h2的偏差都是b=0),以及相同的sigmoid激活函数。设h1,h2,o1表示它们所代表的神经元的输出。
如果我们传入输入x=[2,3]x=[2,3]会发生什么?
对于输入x=[2,3]x=[2,3],神经网络的输出为0.7216。(这就是带隐藏层的神经网络传播,其实隐藏层就是把上一层的输出当输入来进行计算,一层隐藏层和多层隐藏层的道理是一样的)
神经网络可以有任意数量的层,这些层中有任意数量的神经元。基本思想保持不变:通过网络中的神经元向前馈送输入,最终获得输出。为了简单起见,我们将在本文的其余部分继续使用上面所示的网络。
神经网络编码:前馈的实现
让我们为我们的神经网络实现前馈。这里是网络的图片再次供参考:
import numpy as np
# ... code from previous section here
class OurNeuralNetwork:
'''
A neural network with:
- 2 inputs
- a hidden layer with 2 neurons (h1, h2)
- an output layer with 1 neuron (o1)
Each neuron has the same weights and bias:
- w = [0, 1]
- b = 0
'''
def __init__(self):
weights = np.array([0, 1])
bias = 0
# The Neuron class here is from the previous section
self.h1 = Neuron(weights, bias)
self.h2 = Neuron(weights, bias)
self.o1 = Neuron(weights, bias)
def feedforward(self, x):
out_h1 = self.h1.feedforward(x)
out_h2 = self.h2.feedforward(x)
# The inputs for o1 are the outputs from h1 and h2
out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))
return out_o1
network = OurNeuralNetwork()
x = np.array([2, 3])
print(network.feedforward(x)) # 0.7216325609518421
跟上面公式计算的一样,用代码实现得到了相同的结果。
三、训练神经网络
1.第一部分
假设我们有这样的测量值:
(作者使用的是英制单位。1 磅(lb)约等于 0.45359237 千克(kg)1 英寸(in)约等于 2.54 厘米(cm))
训练我们的网络,根据一个人的体重和身高来预测他的性别:
因为神经网络最后输出的结果一般是一个数字,所以我们对上文中的表格信息进行处理,用0表示男性,用1表示女性,方便后续计算。我随意选择了移位量(135和66,用体重减去135,身高减去66),以使数字看起来更美观。通常,会按均值平移。
2.损失Loss
在我们训练我们的网络之前,我们首先需要一种方法来量化它做得有多“好”,这样它就可以尝试做得“更好”。这就是损失。
我们将使用均方误差(MSE)损失:
公式中每个字母的含义:
n是样本数,即4(Alice, Bob, Charlie, Diana)。
y表示被预测的变量,即性别(我们用1代表女性,0代表男性)。
是变量的真实值(“正确答案”)。例如,爱丽丝的
为1(女性)。
是变量的预测值。它是我们网络的输出。
称为平方误差。我们的损失函数只是取所有平方误差的平均值(因此称为均方误差)。我们的预测越准确,我们的损失就越小!
更好的预测=更少的损失。训练一个网络也就是尽量减少它的损失。
3.损失计算示例
假设我们的网络总是输出0——换句话说,它确信所有的人都是男性。我们的损失是什么?
代码:MSE Loss 下面是一些为我们计算损失的代码:
import numpy as np
def mse_loss(y_true, y_pred):
# y_true and y_pred are numpy arrays of the same length.
return ((y_true - y_pred) ** 2).mean()
y_true = np.array([1, 0, 0, 1])
y_pred = np.array([0, 0, 0, 0])
print(mse_loss(y_true, y_pred)) # 0.5
4.训练一个神经网络
我们现在有一个明确的目标:最小化神经网络的损失。我们知道我们可以改变神经网络的权重和偏差来影响它的预测,但我们如何以减少损失的方式这样做呢?
本节使用了一些多变量演算。如果你对微积分不熟悉,可以跳过数学部分。
为了简单起见,让我们假设我们的数据集中只有Alice:
均方误差损失就是Alice的平方误差:
那么,我们可以将损失写成一个多变量函数:
假设我们想要调整。如果我们改变
,损失
会如何变化?这个问题
可以回答。怎么计算呢?这就是数学开始变得更复杂的地方。不要气馁!我建议你准备好笔和纸来跟着读——这会帮助你理解。
这种通过向后工作来计算偏导数的系统被称为反向传播。之前总是不太理解反向传播,感觉比较抽象,自己动手推了一下好多了。建议大家也去跟着作者@Machine Learning for Beginners: An Introduction to Neural Networks - victorzhou.com的文档推一下。或者看得清我写的直接跟着推也行,太多公式了写起来快一点就没一个一个敲。
5.示例:计算偏导数
继续假设只有Alice在我们的数据集中:
初始化所有权重为1,所有偏差为0。如果在网络中进行前馈传递,会得到:
网络输出,介于0和1之间,没有办法明显地看出来是男性还是女性。因为Male(0)或Female(1)。我们来计算
:
上文手写推倒过。因为
偏导大于0,所以我们可以知道如果我们增加
,结果
会增加一点点。(L是损失,应该越小越好,所以应该要减小W1,不过实际训练过程中要考虑的参数不止W1一个,所以也不能单纯减小W1,应该综合考虑,找到W1的最佳值)
6.训练:随机梯度下降
我们现在有了训练神经网络所需的所有工具!我们将使用一种称为随机梯度下降(SGD)的优化算法,它告诉我们如何改变权重和偏差以最小化损失。基本上就是这个更新方程:
是一个常数,叫做学习率,它控制着我们训练的速度。我们所做的就是从
中减去
:
如果为正,则
将减小,从而使
减小。
如果为负,则
将增加,从而使
减小。
这个是个很巧妙的方程
如果我们对网络中的每个权重和偏差都这样做,损失将慢慢减少,我们的网络将得到改善。
我们的训练过程是这样的:
1.从我们的数据集中选择一个样本。这就是为什么它是随机梯度下降——我们一次只操作一个样本。
2.计算关于权重或偏置的所有损失的偏导数(例如,
等)。
3.使用更新方程来更新每个权重和偏差。
4.回到步骤1。
(关于这个过程我还没有特别清晰明了的理解,先继续往下学,等有理解再回来补充。)
7.代码:完整的神经网络
最后,一个完整的神经网络的实现。
import numpy as np
def sigmoid(x):
# Sigmoid activation function: f(x) = 1 / (1 + e^(-x))
return 1 / (1 + np.exp(-x))
def deriv_sigmoid(x):
# Derivative of sigmoid: f'(x) = f(x) * (1 - f(x))
fx = sigmoid(x)
return fx * (1 - fx)
def mse_loss(y_true, y_pred):
# y_true and y_pred are numpy arrays of the same length.
return ((y_true - y_pred) ** 2).mean()
class OurNeuralNetwork:
'''
A neural network with:
- 2 inputs
- a hidden layer with 2 neurons (h1, h2)
- an output layer with 1 neuron (o1)
*** DISCLAIMER ***:
免责声明
下面的代码旨在简单和教育,而不是最佳的。
真正的神经网络代码不是这样的。不要使用这个代码。
相反,阅读/运行它来理解这个特定的网络是如何工作的。
'''
def __init__(self):
# Weights
self.w1 = np.random.normal() #赋一个随机生成的服从标准正态分布(均值为0,标准差为1)的值。
self.w2 = np.random.normal()
self.w3 = np.random.normal()
self.w4 = np.random.normal()
self.w5 = np.random.normal()
self.w6 = np.random.normal()
# Biases
self.b1 = np.random.normal()
self.b2 = np.random.normal()
self.b3 = np.random.normal()
def feedforward(self, x):
# x is a numpy array with 2 elements.
h1 = sigmoid(self.w1 * x[0] + self.w2 * x[1] + self.b1)
h2 = sigmoid(self.w3 * x[0] + self.w4 * x[1] + self.b2)
o1 = sigmoid(self.w5 * h1 + self.w6 * h2 + self.b3)
return o1
def train(self, data, all_y_trues):
'''
- data is a (n x 2) numpy array, n = # of samples in the dataset.
- all_y_trues is a numpy array with n elements.
Elements in all_y_trues correspond to those in data.
'''
learn_rate = 0.1
epochs = 1000 # number of times to loop through the entire dataset
for epoch in range(epochs):
# zip() 函数来同时遍历两个列表 data 和 all_y_trues 中相应位置的元素。
for x, y_true in zip(data, all_y_trues):
# --- Do a feedforward (we'll need these values later)
sum_h1 = self.w1 * x[0] + self.w2 * x[1] + self.b1
h1 = sigmoid(sum_h1)
sum_h2 = self.w3 * x[0] + self.w4 * x[1] + self.b2
h2 = sigmoid(sum_h2)
sum_o1 = self.w5 * h1 + self.w6 * h2 + self.b3
o1 = sigmoid(sum_o1)
y_pred = o1
# --- Calculate partial derivatives.
# --- Naming: d_L_d_w1 represents "partial L / partial w1"
#求的是L对ypred的偏导值
d_L_d_ypred = -2 * (y_true - y_pred)
# Neuron o1
#求的是ypred对w5,w6,b3,h1,h2的偏导值
d_ypred_d_w5 = h1 * deriv_sigmoid(sum_o1)
d_ypred_d_w6 = h2 * deriv_sigmoid(sum_o1)
d_ypred_d_b3 = deriv_sigmoid(sum_o1)
d_ypred_d_h1 = self.w5 * deriv_sigmoid(sum_o1)
d_ypred_d_h2 = self.w6 * deriv_sigmoid(sum_o1)
# Neuron h1
#求的是h1对w1,w2,b1的偏导值
d_h1_d_w1 = x[0] * deriv_sigmoid(sum_h1)
d_h1_d_w2 = x[1] * deriv_sigmoid(sum_h1)
d_h1_d_b1 = deriv_sigmoid(sum_h1)
# Neuron h2
#求的是h2对w3, w4, b2的偏导值
d_h2_d_w3 = x[0] * deriv_sigmoid(sum_h2)
d_h2_d_w4 = x[1] * deriv_sigmoid(sum_h2)
d_h2_d_b2 = deriv_sigmoid(sum_h2)
# --- Update weights and biases
# Neuron h1
#就是刚刚的SGD梯度下降,w1=w1-learn_rate*L对变量的偏导
self.w1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w1
self.w2 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w2
self.b1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_b1
# Neuron h2
self.w3 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w3
self.w4 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w4
self.b2 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_b2
# Neuron o1
self.w5 -= learn_rate * d_L_d_ypred * d_ypred_d_w5
self.w6 -= learn_rate * d_L_d_ypred * d_ypred_d_w6
self.b3 -= learn_rate * d_L_d_ypred * d_ypred_d_b3
# --- Calculate total loss at the end of each epoch
if epoch % 10 == 0:
#这里是在计算预测值 y_preds,实际计算预测值还是self.feedforward前向传播,就跟之前举得例子一样。
#反向传播只是为了更新w,b等参数以获得更加低的损失,更好的预测结果
y_preds = np.apply_along_axis(self.feedforward, 1, data)
loss = mse_loss(all_y_trues, y_preds)
print("Epoch %d loss: %.3f" % (epoch, loss))
# Define dataset
#给定数据集
data = np.array([
[-2, -1], # Alice
[25, 6], # Bob
[17, 4], # Charlie
[-15, -6], # Diana
])
all_y_trues = np.array([
1, # Alice
0, # Bob
0, # Charlie
1, # Diana
])
# Train our neural network!
#OurNeuralNetwork()类的实例化
network = OurNeuralNetwork()
#调用类的train方法进行训练
network.train(data, all_y_trues)
代码和部分输出结果,代码里面对一些关键步骤做了注释,以便和上文推导过程进行对应。欢迎大家指正讨论。主要是为了记录学习过程,方便后续回顾,梳理写下来也有助于理解。全文基本上是翻译@Machine Learning for Beginners: An Introduction to Neural Networks - victorzhou.com的原文。因为自己英文水平有限,看英文就顾着翻译了没法好好思考,所以才写成中文方便回顾。另外
@【天外来课的个人空间-哔哩哔哩】 https://b23.tv/qzstdnb有关于这个的讲解。两位都很优秀的创作者,解答了我很多疑惑。本文只是学习记录,大家可以去看原文和视频讲解。