深度学习这部分做的笔记比较少,所展示的笔记是组会时个人汇报的部分。本文参考Michael Nielsen的Neural Network and Deep Learning第2章,给出了反向传播的四个基本方程及证明、反向传播算法步骤,以及代码示例。
最后给出BP算法的代码示例:(注意,代码中使用了mnist_loader.py,有需要的可自行在下面中下载)GitHub - mnielsen/neural-networks-and-deep-learning: Code samples for my book "Neural Networks and Deep Learning"Code samples for my book "Neural Networks and Deep Learning" - mnielsen/neural-networks-and-deep-learninghttps://github.com/mnielsen/neural-networks-and-deep-learning/tree/master
class Network(object):
def __init__(self, sizes):
self.num_layers = len(sizes) # sizes 为每层的神经元数量
self.sizes = sizes
# 初始化权重和偏置, sizes[1:] 是一个列表切片(从第二个元素开始到列表末尾).
# 对于列表中的每个元素 y, 调用 np.random.randn(y, 1) 生成一个随机的 y 行 1 列的数组
self.biases = [np.random.randn(y, 1) for y in sizes[1:]]
self.weights = [np.random.randn(y, x) for x, y in zip(sizes[:-1], sizes[1:])]
def feedforward(self, a): # 正向传播, 返回的是被激活函数作用后的激活值
for b, w in zip(self.biases, self.weights):
a = sigmoid(np.dot(w, a)+b)
return a
def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None): # 梯度下降算法
training_data = list(training_data) # 将输入的训练数据转换成列表, n 表示列表长度
n = len(training_data)
if test_data: # 如果测试集非空, 则执行下面代码
test_data = list(test_data)
n_test = len(test_data)
for j in range(epochs): # 迭代
random.shuffle(training_data) # random.shuffle 作用是随机打乱列表中元素的顺序
mini_batches = [training_data[k:k+mini_batch_size] for k in range(0, n, mini_batch_size)] # 每 mini_batch_size 个样本为一批数据
for mini_batch in mini_batches:
self.update_mini_batch(mini_batch, eta) # 使用这样一批数据更新参数(权重和偏置)
if test_data:
print("Epoch {} : {} / {}".format(j,self.evaluate(test_data),n_test))
else:
print("Epoch {} complete".format(j))
def update_mini_batch(self, mini_batch, eta):
nabla_b = [np.zeros(b.shape) for b in self.biases] # 初始化权重和偏置
nabla_w = [np.zeros(w.shape) for w in self.weights]
for x, y in mini_batch:
delta_nabla_b, delta_nabla_w = self.backprop(x, y) # 反向传播算法
nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
self.weights = [w-(eta/len(mini_batch))*nw for w, nw in zip(self.weights, nabla_w)] # 更新权重和偏置
self.biases = [b-(eta/len(mini_batch))*nb for b, nb in zip(self.biases, nabla_b)]
def backprop(self, x, y):
nabla_b = [np.zeros(b.shape) for b in self.biases] # 初始化权重和偏置
nabla_w = [np.zeros(w.shape) for w in self.weights]
# 前向传播
activation = x # x 表示输入值
activations = [x] # 用列表储存 x 的值
zs = [] # z 表示未被激活的加权值, 并用列表 zs 储存
for b, w in zip(self.biases, self.weights):
z = np.dot(w, activation)+b # 计算隐藏层每个神经元处的输入值
zs.append(z) # 用列表 zs 储存
activation = sigmoid(z) # 激活 z, 并将其储存在列表 activations 中
activations.append(activation)
# 反向传播
# 下面三个方程是反向传播的基本方程, 用于计算误差, 权重和偏置
delta = self.cost_derivative(activations[-1], y) * sigmoid_prime(zs[-1]) # 这里计算的是输出层处反向传播的各个参数
nabla_b[-1] = delta
nabla_w[-1] = np.dot(delta, activations[-2].transpose())
for l in range(2, self.num_layers): # 反向传播, 遍历前面的 layers
z = zs[-l]
sp = sigmoid_prime(z)
delta = np.dot(self.weights[-l+1].transpose(), delta) * sp # 反向传播的基本方程, 建立了相邻层误差的联系
nabla_b[-l] = delta
nabla_w[-l] = np.dot(delta, activations[-l-1].transpose())
return (nabla_b, nabla_w)
def evaluate(self, test_data):
# 这里使用了 np.argmax() 函数来找到具有最高概率的预测结果的类别标签
# 然后将预测结果与实际标签 y 进行比较, 形成由 (预测结果, 实际标签) 组成的元组列表 test_results
# 最后统计预测结果与实际标签相同的数量, 并将其作为函数的返回值
test_results = [(np.argmax(self.feedforward(x)), y) for (x, y) in test_data]
return sum(int(x == y) for (x, y) in test_results)
def cost_derivative(self, output_activations, y): # 定义代价函数的导数
return (output_activations-y)
def sigmoid(z): # 定义激活函数
return 1.0/(1.0+np.exp(-z))
def sigmoid_prime(z): # 定义激活函数的导数
return sigmoid(z)*(1-sigmoid(z))
## 识别手写数字示例
import mnist_loader # 这里使用了 mnist_loader 用于输入数据, 在此把它视作黑盒即可
training_data, validation_data, test_data = mnist_loader.load_data_wrapper()
training_data = list(training_data)
net = Network([784, 30, 10]) # 这里使用一个浅层神经网络进行训练, 三个数分别对应输入层, 隐藏层, 输出层的神经元数量
net.SGD(training_data, 30, 10, 3.0, test_data=test_data)