采用L2正则化和随机删除节点的L层神经网络

最新推荐文章于 2022-08-25 14:17:33 发布

烊萌

最新推荐文章于 2022-08-25 14:17:33 发布

阅读量481

点赞数

分类专栏： deep learning 文章标签： deep learning 神经网络正则化

本文链接：https://blog.csdn.net/qq_36417014/article/details/93380725

版权

deep learning 专栏收录该内容

4 篇文章 1 订阅

订阅专栏

前言

这段时间在学习吴恩达的《神经网络和深度学习》课程，在前一篇博客：设计L层网络中有详细介绍如何设计一个L层网络，这篇博客是在前一篇的基础上加上了以下任务：（1）对w和b的三种不同的初始化；（2）是否采用L2正则化；（3）是否随机删除节点。所以如果对网络的实现部分还有不理解的地方，可以看看我的前一篇博客，会有帮助。

最后，如果有什么写得不对的地方，希望大家不吝赐教，谢谢！

整个流程：

处理数据 $\rightarrow$ 初始化参数 $\rightarrow$ 前向传播 $\rightarrow$ 损失函数 $\rightarrow$ 反向传播 $\rightarrow$ 优化 $\rightarrow$ 预测 $\rightarrow$ 构造模型 $\rightarrow$ 测试并绘制结果

1、处理数据

需要引用的包有：

import numpy as np
import scipy.io as sio
import matplotlib.pyplot as plt
import sklearn
import sklearn.datasets
import operator 
from functools import reduce

（1）生成随机数据

'''
函数功能：随机生成数据集
输入：is_plot：是否绘制出数据集
输出：train_x：训练集，train_y：训练集标签，test_x：测试集，test_y：测试集标签
'''
def load_dataset_1(is_plot=False):
    
    np.random.seed(1)
    #x:有n对横纵坐标，代表一个点  y:每个点代表的标签，即0或1
    train_x,train_y=sklearn.datasets.make_circles(n_samples=300, noise=.05)
    
    np.random.seed(2)
    test_x,test_y=sklearn.datasets.make_circles(n_samples=100,noise=.05)
   
    if is_plot:
        plt.figure(1)
        plt.scatter(train_x[:,0],train_x[:,1],c=train_y,s=40,cmap=plt.cm.Spectral)
        
    train_x=train_x.T
    train_y=train_y.reshape(1,train_y.shape[0])
    test_x=test_x.T
    test_y=test_y.reshape(1,test_y.shape[0])
    
    print('train_x_shape:',train_x.shape)
    print('train_y_shape:',train_y.shape)
    print('test_x_shape:',test_x.shape)
    print('test_y_shape:',test_y.shape)
    
    return train_x,train_y,test_x,test_y

结果：

train_x_shape: (2, 300)
train_y_shape: (1, 300)
test_x_shape: (2, 100)
test_y_shape: (1, 100)

图1 绘制数据集

（2）下载数据集

先下载数据：链接：https://pan.baidu.com/s/1qMtGeyRKUYtd-bg2slW5_Q
提取码：s72v

然后把数据文件名称改成data.mat

'''
函数功能：通过下载数据得到数据集
输入：is_plot：是否绘制出数据集
输出：train_x：训练集，train_y：训练集标签，test_x：测试集，test_y：测试集标签
'''
def load_dataset_2(is_plot=False):
    
    data=sio.loadmat('data.mat')
    train_x=data['X'].T
    train_y=data['y'].T
    test_x=data['Xval'].T
    test_y=data['yval'].T
    
    train_y=reduce(operator.add, train_y)
    test_y=reduce(operator.add, test_y)
    
    if is_plot:
        plt.scatter(train_x[0,:],train_x[1,:],c=train_y,s=40,cmap=plt.cm.Spectral)
        
    train_y=train_y.reshape(1,train_y.shape[0])
    test_y=test_y.reshape(1,test_y.shape[0])
    
    print('train_x_shape:',train_x.shape)
    print('train_y_shape:',train_y.shape)
    print('test_x_shape:',test_x.shape)
    print('test_y_shape:',test_y.shape)
    
    return train_x,train_y,test_x,test_y

结果：

train_x_shape: (2, 211)
train_y_shape: (1, 211)
test_x_shape: (2, 200)
test_y_shape: (1, 200)

图2 绘制数据集

2、初始化w和b参数

（1）用0来初始化参数

（2）用随机数来初始化参数

（3）使用抑梯度异常初始化参数（w需要 $\times \sqrt{\frac{2}{netdims(n-1)}}$ ）

#初始化w和b
    
'''
函数功能：初始化w和b
输入：choice：用来选择初始化的方式，1为0，2为随机，3为抑制初始化
      net_dims：网络每层的维度，是一个字典变量，例如：{0:12288,1:4,2:3,3:1}
输出：初始化后的w和b，保存在一个字典parms中
'''
def init_w_b(choice_init,net_dims):
    
    parms={}
    l=len(net_dims)
    np.random.seed(1)
    
    for i in range(1,l):
        
        if choice_init==1: #用0来初始化
            parms['W'+str(i)]=np.zeros(shape=(net_dims[i],net_dims[i-1]))
            parms['b'+str(i)]=np.zeros(shape=(net_dims[i],1))
            
        elif choice_init==2: #用随机数来初始化
            parms['W'+str(i)]=np.random.randn(net_dims[i],net_dims[i-1])
            parms['b'+str(i)]=np.zeros(shape=(net_dims[i],1))
            
        elif choice_init==3: #用抑制初始化
            parms['W'+str(i)]=np.random.randn(net_dims[i],net_dims[i-1])\
            *(np.sqrt(2/net_dims[i-1]))
            parms['b'+str(i)]=np.zeros(shape=(net_dims[i],1))
            
        assert(parms['W'+str(i)].shape==(net_dims[i],net_dims[i-1]))
        assert(parms['b'+str(i)].shape==(net_dims[i],1))
        
        #print('W'+str(i)+':'+str(parms['W'+str(i)]))
        
    return parms

3、前向传播

（1）不随机删除节点

（2）随机删除节点：我们采用一个和A大小一样的随机数生成的一个掩码D和A相乘，达到随机删除节点的效果

#前向传播
    
'''
函数功能：前向传播，得到每一层的Z、A和掩码D
输入：X：训练集，Y：训练标签，parms：w和b参数，net_dims：网络每一层的维度信息
     del_node_flag：是否采取随机删除节点，keep_prob：随机删除节点的概率
输出：Z：需要缓存下来的每层Z变量 A：每一层的输出变量 D：需要随机删除节点的掩码
'''
def forward(X,Y,parms,net_dims,is_del_node=False,keep_prob=0.5):
    
    l=len(net_dims) #l=4
    
    m=Y.shape[1]
    Z={}
    A={}
    D={}
    np.random.seed(2)
    
    for i in range(1,l):
        
        Z[i]=np.zeros(shape=(net_dims[i],m))
        A[i]=np.zeros(shape=(net_dims[i],m))
        D[i]=np.random.randn(net_dims[i],m)
    
    Z[1]=np.dot(parms['W1'],X)+parms['b1']
    A[1]=relu(Z[1])
    
    if is_del_node==True:
        
        D[1]=D[1]<keep_prob
        A[1]=A[1]*D[1]
        A[1]=A[1]/keep_prob
    
    for i in range(2,l-1):
        
        Z[i]=np.dot(parms['W'+str(i)],A[i-1])+parms['b'+str(i)]
        A[i]=relu(Z[i])
        
        if is_del_node==True:
        
            D[i]=D[i]<keep_prob
            A[i]=A[i]*D[i]
            A[i]=A[i]/keep_prob
        
    Z[l-1]=np.dot(parms['W'+str(l-1)],A[l-2])+parms['b'+str(l-1)]
    A[l-1]=sigmoid(Z[l-1])
    
    return Z,A,D

4、损失函数

（1）不使用L2正则化： $J=-\frac{1}{m}\sum_{i=1}^{m}(y^{(i)}log(a^{[l](i)})+(1-y^{(i)})log(1-a^{[l](i)}))$

（2）使用L2正则化： $J=-\frac{1}{m}\sum_{i=1}^{m}(y^{(i)}log(a^{[l](i)})+(1-y^{(i)})log(1-a^{[l](i)}))+\frac{1}{m}\frac{\lambda }{2}\sum_{l}\sum_{k}\sum_{j}(W_{kj}^{[l]})^{2}$

#损失函数
    
'''
函数功能：计算损失函数
输入：Y：训练集标签,A_last：最后一层的输出，net_dims：网络维度信息
     is_regulization：是否使用L2正则化，默认不使用，lambd：正则化所需参数，
输出：损失值
'''
def cost_function(Y,parms,A,net_dims,is_regulization=False,lambd=0):
    
    m=Y.shape[1]
    l=len(net_dims)
    cost1=0.0
    #print('A[l-1]:',A[l-1])
    cost=(-1/m)*(np.sum(Y*(np.log(A[l-1]))+(1-Y)*(np.log(1-A[l-1]))))
    
    if is_regulization==True:
        
        for i in range(1,l):
            
            cost1+=np.sum(np.square(parms['W'+str(i)]))
            
        cost1=cost1*lambd/(2*m)
        cost=cost+cost1
        
    return cost

5、反向传播

（1）没使用正则化，也没删除节点

（2）有正则化其中： $\frac{d}{dW}(\frac{1}{2}\frac{\lambda }{m}W^{2})=\frac{\lambda }{m}W$

（3）有删除节点：即dA需要和掩码D相乘

#反向传播
    
'''
函数功能：反向传播
输入：D：掩码，parms：w和b参数，A：每一层的输出，Y：训练集标签，net_dims；维度信息
     is_regulization：是否有正则项，lambd：正则项参数，is_del_node：是否随机删除节点，
      keep_prob：随机删除节点概率
输出：grads：包括dw和db
'''
def backward(D,parms,A,Z,X,Y,net_dims,is_regulization=False,lambd=0,
             is_del_node=False,keep_prob=0.5):
    
    l=len(net_dims)
    m=Y.shape[1]
    dZ={}
    dW={}
    dA={}
    db={}
    g={}
    
    for i in range(1,l):
        
        dZ[i]=np.zeros(shape=(net_dims[i],m))
        dA[i]=np.zeros(shape=(net_dims[i],m))
        dW[i]=np.zeros(shape=(net_dims[i],net_dims[i-1]))
        db[i]=np.zeros(shape=(net_dims[i],1))
        g[i]=np.zeros(shape=(net_dims[i],m))
        
    dZ[l-1]=A[l-1]-Y
   
    i=l-1 #3

    while(i):

        dW[i]=(1/m)*(np.dot(dZ[i],A[i-1].T))

        if is_regulization==True:
            dW[i]=dW[i]+lambd/m*parms['W'+str(i)]

        db[i]=(1/m)*np.sum(dZ[i],axis=1,keepdims=True)
      
        i-=1
        g[i]=relu(Z[i])
        dA[i]=np.dot(parms['W'+str(i+1)].T,dZ[i+1])

        if is_del_node==True:

            dA[i]=dA[i]*D[i]
            dA[i]=dA[i]/keep_prob
            
        dZ[i]=dA[i]*g[i]

        if i==1:
            break
        
        
    dW[1]=(1/m)*np.dot(dZ[1],X.T)
    db[1]=(1/m)*np.sum(dZ[1],axis=1,keepdims=True)
    
    grads={'dW':dW,
           'db':db}
    
    return grads

6、优化

#优化
    
'''
函数功能：对w和b进行迭代优化
输入：parms：需要优化的w和b参数，net_dims：网络维度信息，X：训练集，Y：训练标签，
      is_del_node：是否删除节点，keep_prob：删除节点概率，is_regulization：是否正则化
      lambd：正则化参数，iterations：迭代次数，learning_rate：学习速度，print_flag：是否打印损失值
输出：costs：损失值，parms：优化后的w和b，grads：dw和db
'''
def optimize(parms,net_dims,X,Y,is_del_node=False,keep_prob=0.5,is_regulization=False,
             lambd=0,iterations=2000,learning_rate=0.5,print_flag=False):
    
    l=len(net_dims)
    costs=[]
    
    for j in range(iterations):
        
        Z,A,D=forward(X,Y,parms,net_dims,is_del_node,keep_prob)
        cost=cost_function(Y,parms,A,net_dims,is_regulization,lambd)
        grads=backward(D,parms,A,Z,X,Y,net_dims,is_regulization,lambd,is_del_node,keep_prob)
        
        for i in range(1,l):
            
            parms['W'+str(i)]=parms['W'+str(i)]-learning_rate*grads['dW'][i]
            parms['b'+str(i)]=parms['b'+str(i)]-learning_rate*grads['db'][i]
            
        if j%1000==0:

            costs.append(cost)
            
        if (print_flag) and (j%1000==0):
            
            print('迭代次数：%d，损失值：%f' % (j,cost))
            #print('grads:',grads['dW'])
            
    return costs,parms,grads

7、预测

#预测
    
'''
函数功能：对数据进行预测
输入：parms：预测网络的参数w和b，X：数据集，Y：数据集的标签，net_dims：网络维度信息
输出：y_predict：对数据集预测的结果
'''
def predict(parms,X,Y,net_dims):
    
    l=len(net_dims)
    Z,A,D=forward(X,Y,parms,net_dims)
    m=Y.shape[1]
    y_predict=np.zeros(shape=(1,Y.shape[1]))
    
    for i in range(m):
        
        if A[l-1][0,i]>0.5:
            y_predict[0,i]=1
        else:
            y_predict[0,i]=0
            
    return y_predict

8、模型

#模型
    
'''
函数功能：构造整个网络的模型
输入：train_x：训练集，train_y：训练集标签，test_x：测试集，test_y：测试集标签，
      choice_init：选择初始化参数的方式，is_del_node：是否随机删除节点，keep_prob：随机删除节点的概率
      is_regulization：是否采用L2正则化，lambd：正则化参数，iterations：迭代次数，
      learning_rate：学习速度，print_flag：是否打印损失值
输出：res：包含所有的参数和结果
'''
def modle(train_x,train_y,test_x,test_y,choice_init,is_del_node=False,keep_prob=0.5,
          is_regulization=False,lambd=0,iterations=2000,learning_rate=0.5,print_flag=False):
    
    n=train_x.shape[0]
   
    net_dims={0:n,1:10,2:5,3:1}
    print('网络每层的维度：')
    print(net_dims)
    
    parms=init_w_b(choice_init,net_dims)
    costs,parms,grads=optimize(parms,net_dims,train_x,train_y,is_del_node,keep_prob,
                               is_regulization,lambd,iterations,learning_rate,print_flag)
    
    train_y_predict=predict(parms,train_x,train_y,net_dims)
    test_y_predict=predict(parms,test_x,test_y,net_dims)
    
    print("train Accuracy: "  + str(np.mean((train_y_predict[0,:] == train_y[0,:]))))
    print("test Accuracy: "  + str(np.mean((test_y_predict[0,:] == test_y[0,:]))))
    #print('test_y_pre-test_y:',np.abs(test_y_predict-test_y))
    
    res={'cost':costs,
         'parms':parms,
         'grads':grads,
         'choice_init':choice_init,
         'is_del_node':is_del_node,
         'is_regulization':is_regulization,
         'iterations':iterations,
         'learning_rate':learning_rate,
         'train_y_predict':train_y_predict,
         'test_y_predict':test_y_predict}
    
    return res

9、测试结果和绘制结果

train_x,train_y,test_x,test_y=DB.load_dataset_1(is_plot=True)
#train_x,train_y,test_x,test_y=DB.load_dataset_2(is_plot=True)
choice_init=2
res=modle(train_x,train_y,test_x,test_y,choice_init,is_del_node=False,
             keep_prob=0.5,is_regulization=False,lambd=0,iterations=15000,
             learning_rate=0.05,print_flag=True)

#绘制图

costs = np.squeeze(res['cost'])
plt.figure(2)
plt.plot(costs)
plt.ylabel('cost')
plt.xlabel('iterations (per hundreds)')
plt.title("Learning rate =" + str(res["learning_rate"]))
plt.show()

结果：

train_x_shape: (2, 300)
train_y_shape: (1, 300)
test_x_shape: (2, 100)
test_y_shape: (1, 100)
网络每层的维度：
{0: 2, 1: 10, 2: 5, 3: 1}
迭代次数：0，损失值：0.802594
迭代次数：1000，损失值：0.639227
迭代次数：2000，损失值：0.533256
迭代次数：3000，损失值：0.201055
迭代次数：4000，损失值：0.876939
迭代次数：5000，损失值：0.118036
迭代次数：6000，损失值：0.837444
迭代次数：7000，损失值：0.063780
迭代次数：8000，损失值：0.063195
迭代次数：9000，损失值：0.075295
迭代次数：10000，损失值：0.036202
迭代次数：11000，损失值：0.094898
迭代次数：12000，损失值：0.064526
迭代次数：13000，损失值：0.256240
迭代次数：14000，损失值：0.232988
train Accuracy: 0.94
test Accuracy: 0.92

图3 损失值与迭代次数的关系

总结：关于很多模式就不在这里一一展示了，大家可以自行测试效果，并对网络各参数进行修改尝试。

烊萌

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
1
评论
采用L2正则化和随机删除节点的L层神经网络

前言这段时间在学习吴恩达的《神经网络和深度学习》课程，在前一篇博客：设计L层网络中有详细介绍如何设计一个L层网络，这篇博客是在前一篇的基础上加上了以下任务：（1）对w和b的三种不同的初始化；（2）是否采用L2正则化；（3）是否随机删除节点。所以如果对网络的实现部分还有不理解的地方，可以看看我的前一篇博客，会有帮助。最后，如果有什么写得不对的地方，希望大家不吝赐教，谢...
复制链接

扫一扫