BP算法与累积BP算法

西瓜书5.5：试编程实现BP算法与累积BP算法，在西瓜数据集3.0上分别用这两个算法训练一个单隐层网络，并进行比较。

BP算法matlab实现

clear

x = xlsread('watermelon3.0.xlsx', 'Sheet1', 'A1:Q8');
y = xlsread('watermelon3.0.xlsx', 'Sheet1', 'A9:Q9');
x=x';
y=y';
%将y设为0，1两类
y=y-1;
%获取输入参数的样本数与参数数
[m,n]=size(x);

t=1;    %输出层神经元
rand('seed',0);
v=rand(n,n+1);  %输入层与隐层的权值  
w=rand(n+1,t);  %隐层与输出层的权值  
thy=rand(n+1);  %隐层阀值
thj=rand(t);    %输出层阀值
ty=zeros(m,t);  %输出层输出
b=zeros(n+1);   %隐层输出
gj=zeros(t);    %累计误差对w,thj求导的参数
eh=zeros(n+1);  %累计误差对v,thy求导的参数
xk=1;           %学习率

kn=0;           %迭代次数
sn=0;           %同样的累计误差值累积次数
old_ey=0;       %前一次迭代的累计误差

EY_BP = zeros(2175); #随机种子为0的时候，BP算法迭代2175次终止
while(1)    
    kn=kn+1;
    ey=0;       %当前迭代的累计误差
    for i=1:m
        %计算隐层输出
        for j=1:n+1
            ca=0;
            for k=1:n
                ca=ca+v(k,j)*x(i,k);
            end
            b(j)=1/(1+exp(-ca+thy(j)));
        end
         %计算输出层输出
       for j=1:t
            cb=0;
            for k=1:n+1
                cb=cb+w(k,j)*b(k);
            end
            ty(i,j)=1/(1+exp(-cb+thj(j)));
       end
       %计算当前迭代累计误差
       for j=1:t
           ey=ey+((y(i)-ty(i,j))^2)/2;
       end
       %计算w,thj导数参数
       for j=1:t
        gj(j)=ty(i,j)*(1-ty(i,j))*(y(i)-ty(i,j));
       end
       %计算v,thy导数参数
       for j=1:n+1
           teh=0;
         for k=1:t
             teh=teh+w(j,k)*gj(k);
         end
            eh(j)=teh*b(j)*(1-b(j));
       end
       %更新v,thy
       for j=1:n+1
           thy(j)=thy(j)+(-xk)*eh(j);
           for k=1:n
               v(k,j)=v(k,j)+k*eh(j)*x(i,k);
           end
       end
       %更新thj,w
      for j=1:t
           thj(j)=thj(j)+(-xk)*gj(j);
           for k=1:n+1
               w(k,j)=w(k,j)+xk*gj(j)*b(k);
           end
       end 
    end
   EY_BP(kn) = ey;
    %迭代终止判断
   if(abs(old_ey-ey)<0.0001)
       sn=sn+1;
       if(sn==100)
           break;
       end
   else
       old_ey=ey;
       sn=0;
   end
end
save('EY_BP.mat','EY_BP')   

ABP算法matlab实现

clear
x = xlsread('watermelon3.0.xlsx', 'Sheet1', 'A1:Q8');
y = xlsread('watermelon3.0.xlsx', 'Sheet1', 'A9:Q9');
x=x';
y=y';
y=y-1;
[m,n]=size(x);
t=1;    %输出层神经元

rand('seed',0);
v=rand(n,n+1);  %输入层与隐层的权值  
w=rand(n+1,t);  %隐层与输出层的权值  
thy=rand(n+1);  %隐层阀值
thj=rand(t);    %输出层阀值
ty=zeros(m,t);  %输出层输出
b=zeros(n+1);   %隐层输出
gj=zeros(t);    %累计误差对w,thj求导的参数
eh=zeros(n+1);  %累计误差对v,thy求导的参数
tk=1;           %学习率

kn=0;           %迭代次数
sn=0;           %同样的累计误差值累积次数
old_ey=0;       %前一次迭代的累计误差

EY_ABP = zeros(1305); %在随机种子为0的情况下，ABP达到终止条件，迭代了1305次
while(1)
    kn=kn+1;
    ey=0;%当前迭代的累计误差
    %计算全部样本输出层输出
    for i=1:m
        %计算隐层输出
        for j=1:n+1
            ca=0;
            for k=1:n
                ca=ca+v(k,j)*x(i,k);
            end
            b(i,j)=1/(1+exp(-ca+thy(j)));
        end
        %计算输出层输出
       for j=1:t
            cb=0;
            for k=1:n+1
                cb=cb+w(k,j)*b(i,k);
            end
            ty(i,j)=1/(1+exp(-cb+thj(j)));
       end
    end
    %用来存累计误差对四个变量的下降方向
    tv=zeros(n,n+1);
    tw=zeros(n+1,t);
    tthy=zeros(n+1);
    tthj=zeros(t);
    %计算累计误差
    for i=1:m
       for j=1:t
           ey=ey+((y(i)-ty(i,j))^2)/2;
       end
       %计算w,thj导数参数
       for j=1:t
        gj(j)=ty(i,j)*(1-ty(i,j))*(y(i)-ty(i,j));
       end
       %计算v,thy导数参数
       for j=1:n+1
           teh=0;
         for k=1:t
             teh=teh+w(j,k)*gj(k);
         end
            eh(j)=teh*b(i,j)*(1-b(i,j));
       end

       %计算w,thj导数
       for j=1:n+1
           tthy(j)=tthy(j)+(-1)*eh(j);
           for k=1:n
               tv(k,j)=tv(k,j)+k*eh(j)*x(i,k);
           end
       end
       %计算v,thy导数
      for j=1:t
           tthj(j)=tthj(j)+(-1)*gj(j);
           for k=1:n+1
               tw(k,j)=tw(k,j)+gj(j)*b(i,k);
           end
       end 
    end
    %更新参数
    v=v+tk*tv;
    w=w+tk*tw;
    thy=thy+tk*tthy;
    tthj=thj+tk*tthj;
    %迭代终止条件
   EY_ABP(kn) = ey;
   if(abs(old_ey-ey)<0.0001)
       sn=sn+1;
       if(sn==50)
           break;
       end
   else
       old_ey=ey;
       sn=0;
   end
end
save('EY_ABP.mat','EY_ABP');

西瓜书：一般来说，标准BP算法每次更新只针对单个样本，参数更新地非常频繁，而且对不同地样例进行更新的效果可能出现抵消的现象，因此，达到同样的累积误差极小值点，标准BP算法往往需要更多的迭代次数。累积BP算法直接对累积误差最小化，它在读取整个训练集D一遍后才对参数进行更新，其参数的更新频率低很多，在很多任务中，累积误差下降到一定程度之后，进一步下降会非常缓慢，这时候，标准BP往往会获得较好的解，尤其在训练集D非常大的时候更加明显。

标准BP算法与累积BP算法之间的区别，类似于随机梯度下降（SGD)与标准梯度下降之间的区别。

相关python实现可参考：

https://blog.csdn.net/qdbszsj/article/details/79110888