1. 背景:
1.1 以人脑中的神经网络为启发,历史上出现过很多不同版本
1.2 最著名的算法是1980年的 backpropagation
2. 多层向前神经网络(Multilayer Feed-Forward Neural Network)
2.1 Backpropagation被使用在多层向前神经网络上
2.2 多层向前神经网络由以下部分组成:
输入层(input layer), 隐藏层 (hidden layers), 输入层 (output layers)
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image.png)
2.3 每层由单元(units)组成
2.4 输入层(input layer)是由训练集的实例特征向量传入
2.5 经过连接结点的权重(weight)传入下一层,一层的输出是下一层的输入
2.6 隐藏层的个数可以是任意的,输入层有一层,输出层有一层
2.7 每个单元(unit)也可以被称作神经结点,根据生物学来源定义
2.8 以上成为2层的神经网络(输入层不算)
2.8 一层中加权的求和,然后根据非线性方程转化输出
2.9 作为多层向前神经网络,理论上,如果有足够多的隐藏层(hidden layers) 和足够大的训练集, 可以模
拟出任何方程
3. 设计神经网络结构
3.1 使用神经网络训练数据之前,必须确定神经网络的层数,以及每层单元的个数
3.2 特征向量在被传入输入层时通常被先标准化(normalize)到0和1之间 (为了加速学习过程)
3.3 离散型变量可以被编码成每一个输入单元对应一个特征值可能赋的值
比如:特征值A可能取三个值(a0, a1, a2), 可以使用3个输入单元来代表A。
如果A=a0, 那么代表a0的单元值就取1, 其他取0;
如果A=a1, 那么代表a1de单元值就取1,其他取0,以此类推
3.4 神经网络即可以用来做分类(classification)问题,也可以解决回归(regression)问题
3.4.1 对于分类问题,如果是2类,可以用一个输出单元表示(0和1分别代表2类)
如果多余2类,每一个类别用一个输出单元表示
所以输入层的单元数量通常等于类别的数量
3.4.2 没有明确的规则来设计最好有多少个隐藏层
3.4.2.1 根据实验测试和误差,以及准确度来实验并改进
4. 交叉验证方法(Cross-Validation)
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/cross_validation.jpg)
K-fold cross validation
5. Backpropagation算法
5.1 通过迭代性的来处理训练集中的实例
5.2 对比经过神经网络后输入层预测值(predicted value)与真实值(target value)之间
5.3 反方向(从输出层=>隐藏层=>输入层)来以最小化误差(error)来更新每个连接的权重(weight)
5.4 算法详细介绍
输入:D:数据集,l 学习率(learning rate), 一个多层前向神经网络
输入:一个训练好的神经网络(a trained neural network)
5.4.1 初始化权重(weights)和偏向(bias): 随机初始化在-1到1之间,或者-0.5到0.5之间,每个单元有
一个偏向
5.4.2 对于每一个训练实例X,执行以下步骤:
5.4.2.1: 由输入层向前传送
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[1].png)
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[2].png)
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[3].png)
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[4].png)
5.4.2.2 根据误差(error)反向传送
对于输出层:
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[5].png)
对于隐藏层:
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[6].png)
权重更新:
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[7].png)
偏向更新
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[8].png)
5.4.3 终止条件
5.4.3.1 权重的更新低于某个阈值
5.4.3.2 预测的错误率低于某个阈值
5.4.3.3 达到预设一定的循环次数
6. Backpropagation 算法举例
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[9].png)
对于输出层:
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[10].png)
对于隐藏层:
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[11].png)
权重更新:
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[12].png)
偏向更新
![](6.1%20神经网络算法%28Nerual%20Networks%29(上)_files/Image%20[14].png)
1. 关于非线性转化方程(non-linear transformation function)
sigmoid函数(S 曲线)用来作为activation function:
1.1 双曲函数(tanh)
1.2 逻辑函数(logistic function)
2. 手写数字识别:
每个图片8x8
识别数字:0,1,2,3,4,5,6,7,8,9
Code:
import numpy as np
from sklearn.datasets import load_digits #倒入数据集
from sklearn.metrics import confusion_matrix, classification_report #分类效果的评分
from sklearn.preprocessing import LabelBinarizer 将y的数据结果标准化,相当于热编码
from NeuralNetwork import NeuralNetwork
from sklearn.cross_validation import train_test_split
digits = load_digits()
X = digits.data
y = digits.target
X -= X.min()
# normalize the values to bring them into the range 0-1
X /= X.max()
nn = NeuralNetwork([64,100,10],'logistic')
#8*8 的像素所有输入为64 隐藏性为100 输出层为0~9 10个输出结果
X_train, X_test, y_train, y_test = train_test_split(X, y)
#简单的划分训练集和测试集
labels_train = LabelBinarizer().fit_transform(y_train) #将输出标准化
labels_test = LabelBinarizer().fit_transform(y_test)
print "start fitting"
nn.fit(X_train,labels_train,epochs=3000)
#调用神经网络模型,训练3000次
predictions = []
for i in range(X_test.shape[0]):
#shape【0】 单行数据进行递归
o = nn.predict(X_test[i] )
将训练的最大准确的分类结果加入 训练结果列表
predictions.append(np.argmax(o))
print confusion_matrix(y_test,predictions)
对训练结果与世纪 对比评分
print classification_report(y_test,predictions)