应朋友之请写了一份python实现单隐层BP Ann model的code,好久没写博客,就顺便发上来。这篇代码比较干净利落,比较纯粹的描述了Ann的基本原理,初学机器学习的同学可以参考。
模型中几个比较重要的参数:
1.学习率
学习率是影响模型收敛的重要因素,一般来说要根据具体场景灵活调整,过高的学习率会使得函数快速发散。
2.隐元数量
一般来说,增加隐层中神经元的数量比直接增加隐层更加有效,这也是单隐层神经网络的特点。对于复杂程度不算太高的问题而言,单隐层的效果优于多隐层。
3.随机种子位数
代码中增加了这一参数,来控制初始化连接权与阈值的精度。由于神经网络中初始权重与阈值是随机生成的,那么其随机精度会对结果产生一定的影响。在输入元、隐元的数量较多时,调整随机精度会起到减小误差的作用。
代码中举了一个非常简单的训练示例,笔者自拟了一个规则:
输入两个变量,当变量A = 变量B时,返回类型1,矩阵化为[1,0]。当变量A != 变量B时,返回类型2,矩阵化为[0,1]。
让神经网络去学习这个simple的规则,并给出20条测试数据去验证。最终使用了5000条训练数据,就获得了100%的正确分类能力。
#---Author:伍思磊---
#---Mail:wusilei@1006.tv---
#---2015/7/27---
import random
import math
#---神经网络Model---
class Ann:
#构造函数 初始化模型参数
def __init__(self, i_num, h_num, o_num):
#可调参数
self.learn_rate = 0.1 #学习率
self.num_long = 2 #输出结果位数
self.random_long = 10 #随机种子位数
#输入参数
self.input_num = i_num #输入层 数量
self.hidden_num = h_num #隐层 数量
self.output_num = o_num #输出层 数量
#模型参数
self.input = [] #输入层
self.hidden = [] #隐层
self.output = [] #输出层
self.error = [] #误差
self.expectation = [] #期望
self.weight_ih = self.__ini_weight(self.input_num, self.hidden_num) #输入层->隐层 连接权
self.weight_ho = self.__ini_weight(self.hidden_num, self.output_num) #隐层->输出层 连接权
self.threshold_h = self.__ini_threshold(self.hidden_num) #隐层 阈值
self.threshold_o = self.__ini_threshold(self.output_num) #输出层 阈值
#初始连接权生成器
def __ini_weight(self, x, y):
result = []
long = math.pow(10, self.random_long)
for i in range(0, x, 1):
res = []
for j in range(0, y, 1):
num = round(random.randint(-1*long,long)/long, self.random_long)
res.insert(j, num)
result.insert(i, res)
return result
#初始阈值生成器
def __ini_threshold(self, n):
result = []
long = pow(10, self.random_long)
for i in range(0, n, 1):
num = round(random.randint(-1*long,long)/long, self.random_long)
result.insert(i, num)
return result
#激励函数 sigma
def excitation(self, value):
sigma = 1/(1+(math.exp(-1*value)))
return sigma
#输入数据
def input_param(self, data, expectation = []):
self.input = []
for value in data:
self.input.append(value)
if(expectation):
self.expectation = []
for value in expectation:
self.expectation.append(value)
#隐层计算
def count_hidden(self):
self.hidden = []
for h in range(0, self.hidden_num, 1):
Hval = 0
for i in range(len(self.input)):
Hval += self.input[i] * self.weight_ih[i][h]
Hval = self.excitation(Hval+self.threshold_h[h])
self.hidden.insert(h, Hval)
#输出层计算
def count_output(self):
self.output = []
for o in range(0, self.output_num, 1):
Oval = 0
for h in range(len(self.hidden)):
Oval += self.hidden[h] * self.weight_ho[h][o]
Oval += self.threshold_o[o]
Oval = round(Oval, self.num_long)
self.output.insert(o, Oval)
#误差计算
def count_error(self):
self.error = []
for key in range(len(self.output)):
self.error.insert(key, self.expectation[key] - self.output[key])
#连接权反馈训练 输入层->隐层
def train_weight_ih(self):
for i in range(len(self.weight_ih)):
for h in range(len(self.weight_ih[i])):
tmp = 0
for o in range(0, self.output_num, 1):
tmp += self.weight_ho[h][o] * self.error[o]
self.weight_ih[i][h] = self.weight_ih[i][h] + self.learn_rate * self.hidden[h] * (1 - self.hidden[h]) * self.input[i] * tmp
#连接权反馈训练 隐层->输出层
def train_weight_ho(self):
for h in range(len(self.weight_ho)):
for o in range(len(self.weight_ho[h])):
self.weight_ho[h][o] = self.weight_ho[h][o] + self.learn_rate * self.hidden[h] * self.error[o]
#阈值反馈训练 隐层
def train_threshold_h(self):
for h in range(len(self.threshold_h)):
tmp = 0
for o in range(0, self.output_num, 1):
tmp += self.weight_ho[h][o] * self.error[o]
self.threshold_h[h] = self.threshold_h[h] + self.learn_rate * self.hidden[h] * (1 - self.hidden[h]) * tmp
#阈值反馈训练 输出层
def train_threshold_o(self):
for o in range(len(self.threshold_o)):
self.threshold_o[o] = self.threshold_o[o] + self.error[o]
#反馈训练
def train(self):
self.train_weight_ih()
self.train_weight_ho()
self.train_threshold_h()
self.train_threshold_o()
#归一化函数
def normal_num(self, max, min, data):
data = (data - min)/(max - min)
return data
#寻找集合的最大值和最小值
#---业务部分(示例)---
#要训练的规则,输入两个值,如果两值相等返回[1,0],反之返回[0,1]
def testFunc(val):
if(val[0] == val[1]):
return [1,0]
else:
return [0,1]
#构造神经网络模型
ann = Ann(2,3,2)
#生成训练数据,随机生成5000组[0,1][1,0][1,1][0,0]随机数组
data = []
for i in range(0, 10000, 1):
x = random.randint(0,1)
y = random.randint(0,1)
data.append([x,y])
#取得训练数据中的最大值和最小值
for i in range(len(data)):
for j in range(len(data[i])):
if(i == 0 and j == 0):
max = min = data[i][j]
elif(data[i][j] > max):
max = data[i][j]
elif(data[i][j] < min):
min = data[i][j]
#训练数据归一化
dataNormal = []
for i in range(len(data)):
dataNormal.insert(i, [])
for j in range(len(data[i])):
dataNormal[i].append(ann.normal_num(max, min, data[i][j]))
#计算训练数据期望值,并进行反馈训练
for i in range(len(data)):
#计算期望值
exp = testFunc(data[i])
#输入训练数据与期望
ann.input_param(dataNormal[i], exp)
#计算隐层
ann.count_hidden()
#计算输出层
ann.count_output()
#计算误差
ann.count_error()
#反馈训练
ann.train()
#生成测试数据,随机生成20组
testdata = []
for i in range(0, 20, 1):
x = random.randint(0,1)
y = random.randint(0,1)
testdata.append([x,y])
#进行测试,同时输出神经网络预测值与实际期望值
for i in range(len(testdata)):
exp = testFunc(testdata[i])
ann.input_param(testdata[i])
ann.count_hidden()
ann.count_output()
print("Ann:")
print(ann.output)
print("Exp:")
print(exp)
print("\r")
转载于:https://blog.51cto.com/10574403/1679037