一、神经元模型
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界体所作出的交互反应。
常用 Sigmoid函数作为激活函数
二、感知机与多层网络
感知机(Perceptron)由两层神经元组成,输入层接收外界输入信号后传递给输出层,输出层是M-P神经元,亦称“阈值逻辑单元”(threshold logic unit).
权重,阈值
可看作一个固定输入为-1.0的“哑结点”(dummy node)所对应的连接权重
。对训练样例
,若当前感知机的输出为
,则感知机权重将这样调整:(
称为学习率(learning rate))
若两类模式是线性可分的,如“与”、“或”、“非”问题,则感知机的学习过程一定会收敛(converge);否则感知机学习过程将会发生振荡(fluctuation),如“异或”问题。
要解决非线性可分问题,需考虑使用多层功能神经元。输出层与输入层之间的一层神经元,被称为隐层或隐含层(hidden layer),隐含层和输出层神经元都是拥有激活函数的功能神经元.
“多层前馈神经网络”(multi-layer feedforward neural networks):每层神经元与下一层神经元全互连,神经元之间不存在同层连接,也不存在跨层连接.
神经网络的学习过程,就是根据训练数据来调整神经元之间的“连接权”(connection weight)以及每个功能神经元的阈值。
三、误差逆传播算法
误差逆传播(errorBackPropagation,简称BP)算法不仅可用于多层前馈神经网络,还可用于其他类型的神经网络,例如训练递归神经网络。
BP算法:给定训练集,即输入示例由
个属性描述,输出
维实值向量.如下图:(假设隐层和输出层神经元都使用Sigmoid 函数)
对训练例,假定神经网络的输出为
,即
则网络在上的均方误差为
BP算法中的更新公式(推导见西瓜书P102、P103):
其中:
BP算法的工作流程:
标准BP算法:更新规则基于单个的
推导;更新频繁;可能出现“抵消”现象;需进行更多次数的迭代
累积BP算法:更新规则基于累积误差最小化;更新的频率低;累积误差下降到一定程度之后,进一步下降会非常缓慢
只需一个包含足够多神经元的隐层,多层前馈网络就能以任意精度逼近任意复杂度的连续函数.
BP神经网络经常遭遇过拟合,两种缓解BP网络的过拟合的策略:
“早停”(early stopping):若训练集误差降低但验证集误差升高,则停止训练,同时返回具有最小验证集误差的连接权和阈值.
“正则化”(regularization) :在误差目标函数中增加一个用于描述网络复杂度的部分,例如连接权与阈值的平方和。
构建的BP神经网络预测类,创建神经网络模型:
from __future__ import division
import math
import random
import pandas as pd
import numpy as np
""" 三层反向传播神经网络 """
class NN:
def __init__(self, ni, nh, no):
self.ni = ni + 1 # 输入层节点
self.nh = nh + 1 # 隐藏层节点
self.no = no # 输出层种类
self.ai = [1.0] * self.ni
self.ah = [1.0] * self.nh
self.ao = [1.0] * self.no
self.wi = self.makeMatrix(self.ni, self.nh) # 输出层到隐藏层的映射矩阵
self.wo = self.makeMatrix(self.nh, self.no) # 隐藏层到输出层的映射矩阵
for i in range(self.ni):
for j in range(self.nh):
self.wi[i][j] = self.rand(-0.2, 0.2)
for j in range(self.nh):
for k in range(self.no):
self.wo[j][k] = self.rand(-2, 2)
#前向传播,激活神经网络的所有节点
def update(self, inputs):
if len(inputs) != self.ni - 1:
print(len(inputs),self.ni - 1)
raise ValueError('与输入层节点数不符!')
for i in range(self.ni - 1):
self.ai[i] = inputs[i]
for j in range(self.nh): # self.nh表示隐藏层的节点数
sum = 0.0 # 激活项a = g(z) z = Θ^T x ;sum相当于z,每次循环归零
for i in range(self.ni): #通过循环z = Θ^T x ,因为Θ、x均为向量
sum = sum + self.ai[i] * self.wi[i][j] #〖 Z〗^((2))=Θ^((1)) a^((1))
self.ah[j] = self.sigmoid(sum) # a^((2))=g(z^((2))),这里使用sigmoid()函数作为激活函数
for k in range(self.no):
sum = 0.0
for j in range(self.nh):
sum = sum + self.ah[j] * self.wo[j][k] #〖 Z〗^((3))=Θ^((2)) a^((2))
self.ao[k] = self.sigmoid(sum) # a^((3))=g(z^((3)))
return self.ao[:]
#反向传播,计算节点激活项的误差
def backPropagate(self, targets, lr): # targets为某样本实际种类分类,lr为梯度下降算法的学习率
output_deltas = [0.0] * self.no
for k in range(self.no):
error = targets[k] - np.round_(self.ao[k])
output_deltas[k] = self.dsigmoid(self.ao[k]) * error
# 计算隐藏层的误差
hidden_deltas = [0.0] * self.nh
for j in range(self.nh):
error = 0.0
for k in range(self.no):
error = error + output_deltas[k] * self.wo[j][k]
hidden_deltas[j] = self.dsigmoid(self.ah[j]) * error
# 更新输出层权重
for j in range(self.nh): # 反向传播算法,求出每个节点的误差后,反向更新权重
for k in range(self.no):
change = output_deltas[k] * self.ah[j]
self.wo[j][k] = self.wo[j][k] + lr * change
# 更新输入层权重
for i in range(self.ni):
for j in range(self.nh):
change = hidden_deltas[j] * self.ai[i]
self.wi[i][j] = self.wi[i][j] + lr * change
# 计算误差
error = 0.0
for k in range(self.no):
error += 0.5 * (targets[k] - np.round_(self.ao[k])) ** 2
return error
#用测试集输出准确率
def test(self, patterns):
count = 0
num=0
for p in patterns:
target = p[1]
result = self.update(p[0])
print(p[0], ':', target, '->', np.round_(result))
num=0
for k in range(self.no):
if (target[k] == np.round_(result[k])):
num +=1
print(num)
if num==3:
count +=1
print("******************",(target) == (np.round_(result)),"******************")
accuracy = int(float(count / len(patterns))*100)
print('accuracy: %-.9f' % accuracy,"%")
#输出训练过后神经网络的权重矩阵
def weights(self):
print('输入层权重:')
for i in range(self.ni):
print(self.wi[i])
print()
print('输出层权重:')
for j in range(self.nh):
print(self.wo[j])
#用训练集训练神经网络
def train(self, patterns, iterations=1000, lr=0.1):
for i in range(iterations):
error = 0.0
for p in patterns:
inputs = p[0]
targets = p[1]
self.update(inputs)
error = error + self.backPropagate(targets, lr)
if i % 100 == 0:
print("percent:",int(i/iterations*100),"%",' error: %-.9f' % error)
#生成区间[a, b)内的随机数
def rand(self, a, b):
return (b - a) * random.random() + a
# 生成大小 I*J 的矩阵,默认零矩阵
def makeMatrix(self, I, J, fill=0.0):
m = []
for i in range(I):
m.append([fill] * J)
return m
# 函数 sigmoid,bp神经网络前向传播的激活函数
def sigmoid(self, x):
return 1.0 / (1.0 + math.exp(-x))
# 函数 sigmoid 的导数,反向传播时使用
def dsigmoid(self, x):
return x * (1 - x)
if __name__ == '__main__':
data = []
raw = pd.read_csv('iris.csv')
raw_data = raw.values
raw_feature = raw_data[1:, 1:5]
for i in range(len(raw_feature)):
ele = []
ele.append(list(raw_feature[i]))
if raw_data[i][5] == 0:
ele.append([0, 0,1])
elif raw_data[i][5] == 1:
ele.append([0,1, 0])
elif raw_data[i][5] == 2:
ele.append([1, 1,1])
else:
ele.append([0, 0,0])
data.append(ele)
nn = NN(4, 10, 3)
training = data[1:100]
test = data[101:]
nn.train(training, iterations=1000)
nn.test(test)
四、全局最小与局部最小
局部极小解:对和
,若存在
使得
都有成立,则
为局部极小解;
全局最小解:若对参数空间中的任意都有
,则
为全局最小解.
五、其他常见神经网络
- RBF(Radial Basis Function,径向基函数)网络是一种单隐层前馈神经网络,它使用径向基函数作为隐层神经元激活函数,而输出层则是对隐层神经元输出的线性组合。
- ART(Adaptive Resonance Theory,自适应谐振理论)网络是竞争型学习的重要代表.该网络由比较层、识别层、识别阈值和重置模块构成.其中,比较层负责接收输入样本,并将其传递给识别层神经元。
- SOM(Self-Organizing Map,自组织映射)网络 是一种竞争学习型的无监督神经网络,它能将高维输入数据映射到低维空间(通常为二维),同时保持输入数据在高维空间的拓扑结构。
- 级联相关(Cascade-Correlation)网络是结构自适应网络的重要代表。结构自适应网络则将网络结构也当作学习的目标之一,并希望能在训练过程中找到最符合数据特点的网络结构.级联相关网络有两个主要成分:“级联”和“相关”。
- Elman网络是最常用的递归神经网络之一,“递归神经网络”(recurrent neural networks)允许网络中出现环形结构,隐层神经元的输出被反馈回来,与下一时刻输入层神经元提供的信号一起,作为隐层神经元在下一时刻的输入.隐层神经元通常采用Sigmoid激活函数,网络的训练则常通过推广的BP算法进行。
- Boltzmann机就是一种“基于能量的模型”(energy-basedmodel),其神经元分为两层:显层与隐层.显层用于表示数据的输入与输出,隐层则被理解为数据的内在表达. Boltzmann机中的神经元都是布尔型的,状态1表示激活,状态0表示抑制。
六、深度学习
典型的深度学习模型就是很深层的神经网络.显然,对神经网络模型,提高容量的一个简单办法是增加隐层的数目.然而,多隐层神经网络难以直接用经典算法(例如标准BP算法)进行训练,因为误差在多隐层内逆传播时,往往会“发散”(diverge)而不能收敛到稳定状态。
无监督逐层训练(unsupervised layer-wise training)是多隐层网络训练的有效手段,其基本思想是每次训练一层隐结点,训练时将上一层隐结点的输出作为输入,而本层隐结点的输出作为下一层隐结点的输入,这称为“预训练”(pre-training);在预训练全部完成后,再对整个网络进行“微调”(fine-tuning)训练。
“预训练+微调”的做法可视为将大量参数分组,对每组先找到局部看来比较好的设置,然后再基于这些局部较优的结果联合起来进行全局寻优。
另一种节省训练开销的策略是“权共享”(weight sharing),即让一组神经元使用相同的连接权.这个策略在卷积神经网络(Convolutional NeuralNetwork,简称CNN)中发挥了重要作用.以CNN进行手写数字识别任务为例,如下图