输出层
Softmax解决多分类问题
函数表达式为:
Vi表示的是分类器前级输出单元的输出,i表示类别索引,总的类别个数为C。Si表示的是当前元素的指数与所有元素的指数的比值。
代码实现为:
import numpy as np
def _softmax(x):
exp_x = np.exp(x)
return exp_x / np.sum(exp_x)
在这个公式中,我们使用数值较小的数据进行运算是没有问题的,但是当数值过大时,将会得到正无穷(inf)和负无穷两种结果(-inf)
因此,在实际应用中,还要对V进行数值处理:即V中的每个元素减去V中的最大值。
实现代码如下:
import numpy as np
def _softmax(x):
D = np.max(x)
exp_x = np.exp(x-D)
return exp_x / np.sum(exp_x)
scores = np.array([123,456,789])
p = _softmax(scores)
print(p)
one-hotencoding(独热码)
简单来说就是有多少个状态就有多少个比特,而且只有一个比特为1,其他全为0.
{sex:{male, female, other}}
{grade: {一年级,二年级,三年级,四年级}}
此时对于输入{sex:male;grade:四年级}进行独热码编码,得到{1000001}
输出层的神经元个数
输出层的神经元数量应根据实际需要解决的问题来决定。对于分类问题,输出层的神经元个数一般会与类别的数量保持一致。
MNIST数据集的前向传播
1、读取数据集:
# MNIST dataset
train_dataset = dsets.MNIST(root='data',
train=True,
transform=transforms.ToTensor(),
download=True)
test_dataset = dsets.MNIST(root='data',
train=False,
transform=transforms.ToTensor(),
download=True)
2、初始化init_network函数,并设置一个weight_scale控制随机权重不要过大,将bias设置为1:
def init_netword():
network={}
# numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。
# 返回784行50列的样本值
network['W1'] = np.random.randn(784,50)
network['b1'] = np.ones(50)
network['W2'] = np.random.randn(50,100)
network['b2'] = np.ones(100)
network['W3'] = np.random.randn(100,10)
network['b3'] = np.ones(10)
return network
3、实现forward函数,激活函数改用Relu(Relu计算速度更快):
def forward(network, x):
w1, w2, w3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = x.dot(w1) + b1 # 此时矩阵为1*3
z1 = _Relu(a1)
a2 = z1.dot(w2) + b2 # 此时矩阵为1*2
z2 = _Relu(a2)
a3 = z2.dot(w3) + b3 # 此时矩阵为1*2
y = a3
return y
4、最终实现:
network = init_netword()
accuracy_cnt = 0
# 要参与运算所以要使矩阵大小相同
x = test_dataset.test_data.numpy().reshape(-1, 28 * 28)
# 不需要参与运算,只需使Tensor 转换成numpy
labels = test_dataset.test_labels.numpy()
for i in range(len(x)):
y = forward(network, x[i])
# 取最大值的索引,为了输出概率最大的预测值
p = np.argmax(y)
if p == labels[i]:
accuracy_cnt += 1
print("Accuracy:" + str(float(accuracy_cnt) / len(x) * 100) + "%")
5、运行结果: