全连接神经网络(+神经元)+反向传播算法(BP算法+梯度)

輕栀

已于 2023-07-27 08:35:22 修改

阅读量672

点赞数

文章标签：人工智能

于 2023-07-26 20:52:50 首次发布

本文链接：https://blog.csdn.net/mnwl12_0/article/details/131944544

版权

1.单个神经元

神经网络算法，是使用计算机模拟生物神经系统，来模拟人类思维方式的算法。它的基本单位就是人工神经元。通过相互连接形成一张神经网络。

生物神经网络中，每个神经元与其他神经元连接，当它“激活”时，会传递化学物质到相连的神经元，改变其他神经元的电位，当电位达到一定“阈值”，那么这个神经元也会被激活。

单个人工神经元的计算公式：

其中： x 为输入参数向量，表示其他神经元输入的信号。 w为每个输入参数的权重值，表示对应神经元信号的权重。 θ为阈值或者偏差值，是指该激活神经元的难易程度。 y为神经元的输出值，表示该神经元是否被激活。

#----------------------------------

神经元的偏移量θ（也称为偏移项或截距项）是用于调整激活函数的阈值。

激活函数的作用是将神经元的输入转化为输出，其中超过阈值的输入将被激活，而低于阈值的输入则不被激活。偏移量允许我们在没有明确的输入信号的情况下激活神经元。

偏移量的引入可以让神经元对输入信号的灵敏度发生变化。通过调整偏移量的大小，我们可以改变激活函数在输入空间中的位置。这样一来，神经元可以更好地适应不同的输入模式和问题。偏移量允许我们在输入数据中引入一定的偏差，从而更准确地进行分类或预测。

------------------------------------#

Act()为激活函数，常见的有：

2.全连接神经网络结构

定义一个全连接神经网络：（输入层X-L-1个隐藏层-输出层Y）

全连接神经网络，就是指每一层的每个神经元都和下一层的每个神经元相连接。

输入层X是一个样本向量，输出层y变量的上标(0)~(L)表示该变量处于神经网络的哪一层。

表示第L层编号为i的神经元。表示第L层的神经元数量。

3.反向传播算法（BP算法）

下面来说明如何调整一个神经网络的参数，也就是误差反向传播算法（BP算法）。以得到一个能够根据输入，预测正确输出的模型。

3.1了解优化的目标

根据人工神经元的定义，有以下三个公式：

其中

根据公式(2)和公式(3)，可以得出各个层的神经元之间的通用计算公式，如下所示：

公式(4)是人工神经网络正向传播的核心公式。只有每层激活后才能向前传导。

#---------------------------分割线------------------------------#

调整神经网络的参数，以得到一个能够正确预测结果的模型。需要定义一个损失函数，使得损失最小，预测与未来实际情况偏差最小。即期望的输出和实际输出的“差别”，其中cost()叫做损失函数。我们的期望是损失值达到最小。定义损失函数如下：

但是，只根据一次输出的损失值，对参数进行调整，无法使模型适应所有输入样本。我们需要的是，调整参数，使得所有输入样本，得到输出的总损失值最小，而不是只让其中一个样本的损失值最小，导致其他样本损失值增大。因此有如下公式：

公式(6)表示一个batch的所有样本输出的总损失值的平均值。其中，bn表示一个batch中样本的数量。

为什么不用所有的样本计算损失值，而将所有样本分成一个个的batch呢？因为所有的训练样本数量太大了，可能有数以百万计，将所有的样本损失值都一起进行运算，计算量过于庞大，大大降低了模型计算的速度。

公式(6)中计算总的损失值C，其实是一个以所有的连接权值ω和所有的阈值θ为变量的多元函数。我们想要的模型就是求得C最小时，所有ω和θ的值。直接计算显然是不可能的，因为对于一个大的深度神经网络，所有的参数变量，可能数以万计。

在这里我们使用梯度下降算法来逐步逼近C的最小值，也就是先随机得到一组参数变量的值，然后计算参数变量当前的梯度，向梯度的反方向，也就是C变小最快的方向，逐步调整参数值，最终得到C的最小值，或者近似最小值。(梯度：类似于曲线在某一点的导数值，即切线，该点沿切线变化速度最快，正方向增大最快，反方向减小最快)
而将所有样本，随机分成一个个固定长度的batch，以得到近似的梯度方向，叫做随机梯度下降算法。

3.2开始求梯度

那么，根据梯度的定义，接下来的任务，就是求取各个参数变量相对于C的偏导数。我们将使用误差反向传播算法来求取各个参数变量的偏导数。

这里先剧透一下，求取参数偏导数的方法，和神经网络正向传播（根据样本计算输出值）的方式类似，也是逐层求解，只是方向正好相反，从最后一层L层开始，逐层向前。

首先，我们先求神经网络最后一层，也就是输出层的相关参数的偏导数。为了降低推导的复杂性，我们只计算相对于一个样本的损失值函数Cbi的偏导数，因为相对于总损失值函数C的偏导数值，也不过是把某个参数的所有相对于Cbi偏导数值加起来而已。

根据公式(2)、公式(3)、公式(5)，以及“复合函数求导法则”，可以得到输出层（L层）某个神经元的权值参数ω的偏导数，计算公式如下：

根据公式(5)可以得到：

根据公式(2)可以得到：

根据公式(3)可以得到：

将公式(8)(9)(10)，带入公式(7)，可以得到：

我们令d为梯度：

根据公式(8)(9)得到：

将公式(13)，带入公式(11)，可以得到：

这样我们就得到了输出层L相关的权值参数ω的偏导数计算公式！

接下来，同理可得输出层L相关的阈值θ的偏导数计算公式为：

而根据公式(3)可以得到：

将公式(16)带入公式(15)可以得到：

这就是输出层L相关的阈值θ的偏导数计算公式！

3.3根据L层，求前一层参数的偏导函数

由公式(3)可知，一个权值参数ω只影响一个L-1层的神经元，因此有：

根据公式(3)可以得到：

根据公式(12)可以得到：

将公式(21)带入公式(20)可以得到：

同理，我们可以得到：

根据公式(3)可以得到：

将公式(24)带入公式(23)可以得到：

这样我们就得到了L-1层神经元相关参数的计算公式！

下面，我们还需要推导一下之间的关系，根据公式(2)可以得到：

同样根据公式(2)可以得到：

将公式(27)带入公式(26)可以得到：

由公式(3)可知，一个权值参数ω只影响一个L-1层的神经元，但这个L-1层神经元影响了所有L层的神经元。因此，根据“多元复合函数求导法则”有：

根据公式(12)可以得到：

将公式(27)带入公式(26)可以得到：

根据公式(3)可以得到：

将公式(32)带入到公式(31)可以得到：

将公式(33)带入公式(28)可以得到：

这样我们就得到了反向传播，逐层推导的通用公式：

在这里，ω和z都是正向传播过程中，已经算好的常数，而可以从L层开始逐层向前推导，直到第1层，第0层是输入层，不需要调整参数。而第L层的可参考公式(13)。

3.4全连接神经网络的python实现代码(sin(x)模拟优化[2部分为有注释代码])

#coding=utf-8
import numpy as np
import matplotlib.pylab as plt
import random
 
class NeuralNetwork(object):
    def __init__(self, sizes, act, act_derivative, cost_derivative):
        #sizes表示神经网络各层的神经元个数，第一层为输入层，最后一层为输出层
        #act为神经元的激活函数
        #act_derivative为激活函数的导数
        #cost_derivative为损失函数的导数
        self.num_layers = len(sizes)
        self.sizes = sizes
        self.biases = [np.random.randn(nueron_num, 1) for nueron_num in sizes[1:]]
        self.weights = [np.random.randn(next_layer_nueron_num, nueron_num)
            for nueron_num, next_layer_nueron_num in zip(sizes[:-1], sizes[1:])]
        self.act=act
        self.act_derivative=act_derivative
        self.cost_derivative=cost_derivative
 
    #前向反馈（正向传播）
    def feedforward(self, a):
        #逐层计算神经元的激活值，公式(4)
        for b, w in zip(self.biases, self.weights):
            a = self.act(np.dot(w, a)+b)
        return a
 
    #随机梯度下降算法
    def SGD(self, training_data, epochs, batch_size, learning_rate):
        #将训练样本training_data随机分为若干个长度为batch_size的batch
        #使用各个batch的数据不断调整参数，学习率为learning_rate
        #迭代epochs次
        n = len(training_data)
        for j in range(epochs):
            random.shuffle(training_data)
            batches = [training_data[k:k+batch_size] for k in range(0, n, batch_size)]
            for batch in batches:
                self.update_batch(batch, learning_rate)
            print("Epoch {0} complete".format(j))
 
    def update_batch(self, batch, learning_rate):
        #根据一个batch中的训练样本，调整各个参数值
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        for x, y in batch:
            delta_nabla_b, delta_nabla_w = self.backprop(x, y)
            nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
            nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
        #计算梯度，并调整各个参数值
        self.weights = [w-(learning_rate/len(batch))*nw for w, nw in zip(self.weights, nabla_w)]
        self.biases = [b-(learning_rate/len(batch))*nb for b, nb in zip(self.biases, nabla_b)]
 
    #反向传播
    def backprop(self, x, y):
        #保存b和w的偏导数值
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        #正向传播
        activation = x
        #保存每一层神经元的激活值
        activations = [x]
        #保存每一层神经元的z值
        zs = []
        for b, w in zip(self.biases, self.weights):
            z = np.dot(w, activation)+b
            zs.append(z)
            activation = self.act(z)
            activations.append(activation)
        #反向传播得到各个参数的偏导数值
        #公式(13)
        d = self.cost_derivative(activations[-1], y) * self.act_derivative(zs[-1])
        #公式(17)
        nabla_b[-1] = d
        #公式(14)
        nabla_w[-1] = np.dot(d, activations[-2].transpose())
        #反向逐层计算
        for l in range(2, self.num_layers):
            z = zs[-l]
            sp = self.act_derivative(z)
            #公式(36)，反向逐层求参数偏导
            d = np.dot(self.weights[-l+1].transpose(), d) * sp
            #公式(38)
            nabla_b[-l] = d
            #公式(37)
            nabla_w[-l] = np.dot(d, activations[-l-1].transpose())
        return (nabla_b, nabla_w)
 
#距离函数的偏导数
def distance_derivative(output_activations, y):
    #损失函数的偏导数
    return 2*(output_activations-y)
 
# sigmoid函数
def sigmoid(z):
    return 1.0/(1.0+np.exp(-z))
 
# sigmoid函数的导数
def sigmoid_derivative(z):
    return sigmoid(z)*(1-sigmoid(z))
 
if __name__ == "__main__":
    #创建一个5层的全连接神经网络，每层的神经元个数为1，8，5，3，1
    #其中第一层为输入层，最后一层为输出层
    network=NeuralNetwork([1,8,5,3,1],sigmoid,sigmoid_derivative,distance_derivative)
 
    #训练集样本
    x = np.array([np.linspace(-7, 7, 200)]).T
    #训练集结果，由于使用了sigmoid作为激活函数，需保证其结果落在(0,1)区间内
    y = (np.cos(x)+1)/2
 
    #使用随机梯度下降算法（SGD）对模型进行训练
    #迭代5000次；每次随机抽取40个样本作为一个batch；学习率设为0.1
    training_data=[(np.array([x_value]),np.array([y_value])) for x_value,y_value in zip(x,y)]
    network.SGD(training_data,5000,40,0.1)
 
    #测试集样本
    x_test = np.array([np.linspace(-9, 9, 120)])
    #测试集结果
    y_predict = network.feedforward(x_test)
 
    #图示对比训练集和测试集数据
    plt.plot(x,y,'r',x_test.T,y_predict.T,'*')
    plt.show()

#coding=utf-8
import numpy as np
import matplotlib.pylab as plt
import random
 
class NeuralNetwork(object):
    def __init__(self, sizes, act, act_derivative, cost_derivative):#初始化函数
        self.num_layers = len(sizes)#sizes表示神经网络各层的神经元个数，第一层为输入层，最后一层为输出层size=[1,3,8,4,1]
        self.sizes = sizes
        self.biases = [np.random.randn(nueron_num, 1) for nueron_num in sizes[1:]]#生成每一层（除了输入层）的偏置项,标准正态分布（均值为0，标准差为1）
        self.weights = [np.random.randn(next_layer_nueron_num, nueron_num)#对于每一对神经元数量（当前层神经元数量为nueron_num，下一层神经元数量为next_layer_nueron_num），都会生成一个维度为(next_layer_nueron_num, nueron_num)的随机数数组，表示当前层神经元与下一层神经元之间的权重连接。
            for nueron_num, next_layer_nueron_num in zip(sizes[:-1], sizes[1:])]#创建一个新的列表，其中的每个元素都将由相邻的sizes列表元素对组成。这对元素分别表示当前层和下一层的神经元数量。
        self.act=act#act为神经元的激活函数
        self.act_derivative=act_derivative#act_derivative为激活函数的导数
        self.cost_derivative=cost_derivative#cost_derivative为损失函数的导数
 
    #前向反馈（正向传播）
    def feedforward(self, a):
        #逐层计算神经元的激活值，公式(4)
        for b, w in zip(self.biases, self.weights):
            a = self.act(np.dot(w, a)+b)
        return a
 
    #随机梯度下降算法
    def SGD(self, training_data, epochs, batch_size, learning_rate):
        n = len(training_data)
        for j in range(epochs):#迭代epochs次
            random.shuffle(training_data)#将训练样本training_data随机分
            batches = [training_data[k:k+batch_size] for k in range(0, n, batch_size)]#将训练样本training_data随机分为若干个长度为batch_size的batch
            for batch in batches:
                self.update_batch(batch, learning_rate)#调用update_batch，使用各个batch的数据不断调整参数，学习率为learning_rate
            print("Epoch {0} complete".format(j))
 
    def update_batch(self, batch, learning_rate):
        #根据一个batch中的训练样本，调整各个参数值
        nabla_b = [np.zeros(b.shape) for b in self.biases]#用列表推导来创建一个由多个零矩阵组成的列表，与 b 大小相同的全零数组
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        for x, y in batch:
            delta_nabla_b, delta_nabla_w = self.backprop(x, y)
            nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]#对于每对梯度 (nb, dnb) 或 (nw, dnw)，将它们逐元素相加，并将结果赋值给 nabla_b 和 nabla_w 中的相应元素。
            nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
        #计算梯度，并调整各个参数值
        self.weights = [w-(learning_rate/len(batch))*nw for w, nw in zip(self.weights, nabla_w)]
        self.biases = [b-(learning_rate/len(batch))*nb for b, nb in zip(self.biases, nabla_b)]
 
    #反向传播
    def backprop(self, x, y):
        #保存b和w的偏导数值
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        #正向传播
        activation = x
        #保存每一层神经元的激活值
        activations = [x]
        #保存每一层神经元的z值
        zs = []
        for b, w in zip(self.biases, self.weights):
            z = np.dot(w, activation)+b
            zs.append(z)
            activation = self.act(z)
            activations.append(activation)
        #反向传播得到各个参数的偏导数值
        #公式(13)
        d = self.cost_derivative(activations[-1], y) * self.act_derivative(zs[-1])
        #公式(17)
        nabla_b[-1] = d
        #公式(14)
        nabla_w[-1] = np.dot(d, activations[-2].transpose())
        #反向逐层计算
        for l in range(2, self.num_layers):
            z = zs[-l]
            sp = self.act_derivative(z)
            #公式(36)，反向逐层求参数偏导
            d = np.dot(self.weights[-l+1].transpose(), d) * sp
            #公式(38)
            nabla_b[-l] = d
            #公式(37)
            nabla_w[-l] = np.dot(d, activations[-l-1].transpose())
        return (nabla_b, nabla_w)
 
#距离函数的偏导数
def distance_derivative(output_activations, y):
    #损失函数的偏导数
    return 2*(output_activations-y)
 
# sigmoid函数
def sigmoid(z):
    return 1.0/(1.0+np.exp(-z))
 
# sigmoid函数的导数
def sigmoid_derivative(z):
    return sigmoid(z)*(1-sigmoid(z))
 
if __name__ == "__main__":
    #创建一个5层的全连接神经网络，每层的神经元个数为1，8，5，3，1
    #其中第一层为输入层，最后一层为输出层
    network=NeuralNetwork([1,8,5,3,1],sigmoid,sigmoid_derivative,distance_derivative)
 
    #训练集样本
    x = np.array([np.linspace(-7, 7, 200)]).T
    #训练集结果，由于使用了sigmoid作为激活函数，需保证其结果落在(0,1)区间内
    
    #--------------------可以用作修改的训练函数----------------------------#
    y = (np.cos(x)+1)/2
    #y = (np.tan(x))/2

    #使用随机梯度下降算法（SGD）对模型进行训练
    #迭代5000次；每次随机抽取40个样本作为一个batch；学习率设为0.1
    training_data=[(np.array([x_value]),np.array([y_value])) for x_value,y_value in zip(x,y)]

    #-----------------注意训练次数过少无法训练出效果，拟合图基本没有---------#
    network.SGD(training_data,100,40,0.1)
    #测试集样本
    x_test = np.array([np.linspace(-9, 9, 120)])
    #测试集结果
    y_predict = network.feedforward(x_test)
 
    #图示对比训练集和测试集数据
    plt.plot(x,y,'r',x_test.T,y_predict.T,'*')
    plt.show()

輕栀

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
全连接神经网络(+神经元)+反向传播算法(BP算法+梯度)

来逐步逼近C的最小值，也就是先随机得到一组参数变量的值，然后计算参数变量当前的梯度，向梯度的反方向，也就是C变小最快的方向，逐步调整参数值，最终得到C的最小值，或者近似最小值。为了降低推导的复杂性，我们只计算相对于一个样本的损失值函数Cbi的偏导数，因为相对于总损失值函数C的偏导数值，也不过是把某个参数的所有相对于Cbi偏导数值加起来而已。我们需要的是，调整参数，使得所有输入样本，得到输出的总损失值最小，而不是只让其中一个样本的损失值最小，导致其他样本损失值增大。其中，bn表示一个batch中样本的数量。
复制链接

扫一扫