完整的手写字符识别代码在最下。
Weight initialization
在第一章创建神经网络的时候,曾经对weight和biases进行过初始化,当时是使用了两个独立高斯随机变量(均值为0,标准差为1),这一节看看有没有更好的初始化方法。假设我们现在有一个神经网络有1000个输入神经元,输入层到第一层隐藏层的权重是高斯分布的,忽略其他的神经元,只考虑输入层到第一个神经元的权重:
假设我们的输入x一半为1,一半为0,考虑z= Σ \Sigma Σjwjxj+b,z是501项之和:500个输入为1的神经元的权重和一项偏置项。所以z的分布为均值为0,标准差为 501 \sqrt{501} 501 ≈ \approx ≈ 22.4:
从图中看出z绝对值可能远远大于1,所以sigmoid函数会非常接近1或者0,神经元达到饱和,出现了learning slowdown的问题。由于正态分布太散了,我们尝试把它“挤压”一下,神经元输入权重标准差改为1/ n \sqrt{n} n,n就是这个神经元的输入权重个数,也可以用nin表示。bias与之前一样。
嘿嘿嘿发出目的得逞的笑声~这个时候标准差只有大概1.22,就不容易饱和啦。
继续之前的神经网络,Network[784, 30, 10]【应该都熟悉了吧】,SGD(training_data, 30, 10, 0.1, lmbda = 5.0),学习率从0.5缓慢的降到0.1。可以看到正确率快了很多:
Handwriting recognition revisited
把之前的所有想法(阅读笔记(3)和(4)中的想法)用代码实现一下~在network2.py中
class Network(object):
def __init__(self, sizes, cost=CrossEntropyCost):
self.num_layers = len(sizes)
self.sizes = sizes
self.default_weight_initializer()
self.cost=cost
后两行是新加的,首先解释一下default_weight_initializer()
def default_weight_initializer(self):
self.biases = [np.random.randn(y, 1) for y in self.sizes[1:]]
self.weights = [np.random.randn(y, x)/np.sqrt(x) for x, y in zip(self.sizes[:-1], self.sizes[1:])]
注意到在bias的时候,我们并没有对第一层神经元初始化任何bias,因为第一层是输入层,所以不会用到bias。除了这个方法,我们还有一个large_weight_initializer方法,使用了第一章的方法:weights&bias分布为N(0,1)
def large_weight_initializer(self):
self.biases = [np.random.randn(y, 1) for y in self.sizes[1:]]
self.weights = [np.random.randn(y, x) for x, y in zip(self.sizes[:-1], self.sizes[1:])]
第二个在Network中的改变是,我们初始化了cost,首先看一下交叉熵损失的定义:
class CrossEntropyCost(object):
@staticmethod
def fn(a, y):
return np.sum(np.nan_to_num(-y*np.log(a)-(1-y)*np.log(1-a)))
@staticmethod
def delta(z, a, y):
return (a-y)
作者选择将交叉熵损失定义成一个类而不是一个函数,是因为损失函数除了衡量实际输出和理想输出之间的差距(CrossEntropyCost.fn),在第二章中后向传播算法还需要我们计算输出误差 δ \delta δL,不同的损失函数计算出来是不一样的,对于交叉熵损失函数,之前说过误差为:
这是CrossEntropyCost.delta的作用。对比一下quadratic cost function:
class QuadraticCost(object):
@staticmethod
def fn(a, y):
return 0.5*np.linalg.norm(a-y)*np.linalg.norm