深度学习初遇——自己动手实现三层神经网络

最新推荐文章于 2022-10-22 13:09:29 发布

肥猪猪爸

最新推荐文章于 2022-10-22 13:09:29 发布

阅读量1.2k

点赞数 5

分类专栏：人工智能

本文链接：https://blog.csdn.net/weixin_37522117/article/details/127040325

版权

人工智能专栏收录该内容

60 篇文章 5 订阅

订阅专栏

介绍

深度学习中，神经网络是最基础的数据结构，本文想自己动手实现一个神经网络，并使用它来对mnist数据集做预测。
本文内容参考了大神塔里克拉希德的著作《Python神经网络编程》，有兴趣的读者可以在网上找到这本书，或联系笔者，笔者免费赠送。

神经网络结构

神经网络的结构想必大家都很熟悉了，看张图吧，这里除了输入层外，其他层每个节点都有激活函数，比如sigmoid或relu等。
在这里插入图片描述
这里，权重很重要，在神经网络中，要更新的参数就是权重，而且后面我们会看到，误差的反向传播也要用到当前的权重。每两层之间的权重可以用一个矩阵表示，在理论研究和代码编程时，这很有用。

前馈

前馈的过程是根据输入数据，逐层计算输出值，进而得到输出层的输出值，给定权重（通过优化算法更新前的权重，最开始是按一定规则人为初始化的）和输入值，代入公式即可得到，这个操作很简单，但很重要，后面我们会看到，权重的更新需要用到后一层节点的输出值以及前一层节点的输出值（注意，我们是站在两层之间的地方），从上一小节的图示中，我们很容易有一个形象的感受。

误差的反向传播

我们通过当前权重和输入值计算出了输出值，而且训练数据的目标值是给定的，所以模型的误差也很容易算出来，有了整个模型的误差值，那还要每一层的误差做什么呢？或者为什么要进行误差反向传播呢？误差又是怎么进行反向传播的呢？
后面我们会看到，每一层权重的更新，都要用到下一层的误差值，所以反向传播很有必要，那它怎么传播呢？
如下图所示，一般地，误差会根据当前节点输入连接的权重进行拆分，假如右边节点的输出误差为 $e$ ，左边第一个节点的误差为 $err_1=\frac{W_{1,1}}{W_{1,1}+ W_{2,1}}*e$ ，左边第二个节点的误差为 $err_2=\frac{W_{2,1}}{W_{1,1}+ W_{2,1}}*e$
在这里插入图片描述
多个节点的误差会拆分后叠加到上一层中每一个节点的误差上去，例如下图所示

这时， $err_1=\frac{W_{1,1}}{W_{1,1}+ W_{2,1}}*e_1+\frac{W_{1,2}}{W_{1,2}+ W_{2,2}}*e_2$ ，左边第二个节点的误差为 $err_2=\frac{W_{2,1}}{W_{1,1}+ W_{2,1}}*e_1+\frac{W_{2,2}}{W_{1,2}+ W_{2,2}}*e_2$
不断重复上述拆分，便可以计算出每一层的输出误差，在实际应用中，通常用权重代替上面公式中的分数部分，即使用 $W_{1,1}$ 代替 $\frac{W_{1,1}}{W_{1,1}+ W_{2,1}}$ ，使用 $W_{1,2}$ 代替 $\frac{W_{1,2}}{W_{1,2}+ W_{2,2}}$ ，以此类推。这样利用权重矩阵和当前层的输出误差，便可以计算出前一层的误差。

权重更新

在机器学习中，对模型的优化一般采用梯度下降法，这就需要知道误差对更新参数的斜率，在神经网络中，我们需要知道输出误差对每一个权重的斜率。
求导的过程《Python神经网络编程》里面讲的很详细了，这里只给出这个神奇的公式，
在这里插入图片描述
这里，每一层的输出误差已经通过误差的反向传播获得，当前的权重是给定的，输出值也可以通过前馈过程获得，所以，误差对权重的斜率也自然可以轻松获得，用矩阵的语言，某两层之间的权重矩阵更新值可以表示为：

在这里插入图片描述
本文代码部分摘自《Python神经网络编程》并对其做了注释。

代码

import numpy
import numpy as np
import scipy.special


# 神经网络类
class NeuralNetwork:
    def __init__(self, inodes, hnodes, onodes, learning_rate=0):
        # 输入层节点数
        self.inodes = inodes
        # 隐藏层节点数
        self.hnodes = hnodes
        # 输出层节点数
        self.onodes = onodes
        # 学习率
        self.learning_rate = learning_rate
        # 输入层到隐藏层的权重矩阵
        # self.wih = np.random.rand(self.hnodes, self.inodes) - 0.5
        self.wih = np.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
        # 隐藏层到输出层的权重矩阵
        # self.who = np.random.rand(self.onodes, self.hnodes) - 0.5
        self.who = np.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
        # 激活函数
        self.activation_function = lambda x: scipy.special.expit(x)

    # 前馈
    def forward(self, input_data):
        # 输入
        inputs = np.array(input_data, ndmin=2).T
        # 隐藏层输入数据
        hidden_inputs = np.dot(self.wih, inputs)
        # 隐藏层输出数据
        hidden_outputs = self.activation_function(hidden_inputs)
        # 输出层输入数据
        final_inputs = np.dot(self.who, hidden_outputs)
        # 输出层输出数据
        final_outputs = self.activation_function(final_inputs)
        return final_outputs

    # 模型训练
    def train(self, input_data, target_data):
        # 输入
        inputs = np.array(input_data, ndmin=2).T
        # 输入数据标签
        targets = np.array(target_data, ndmin=2).T
        # 隐藏层输入数据
        hidden_inputs = np.dot(self.wih, inputs)
        # 隐藏层输出数据
        hidden_outputs = self.activation_function(hidden_inputs)
        # 输出层输入数据
        final_inputs = np.dot(self.who, hidden_outputs)
        # 输出层输出数据
        final_outputs = self.activation_function(final_inputs)
        # 输出层误差
        output_errors = targets - final_outputs
        # 反向传播至隐藏层的误差
        hidden_errors = np.dot(self.who.T, output_errors)
        # 更新隐藏层和输出层的权重矩阵
        delta_who = np.dot((output_errors * final_outputs * (1.0 - final_outputs)), np.transpose(hidden_outputs))
        self.who += self.learning_rate * delta_who
        # 更新输入层和隐藏层的权重矩阵
        delta_wih = np.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), np.transpose(inputs))
        self.wih += self.learning_rate * delta_wih


if __name__ == "__main__":
    # 神经网络模型
    inodes = 784
    hnodes = 100
    onodes = 10
    model = NeuralNetwork(inodes, hnodes, onodes, 0.3)
    # 读取训练数据
    data_file = open("./mnist_dataset/mnist_train.csv")
    data_set = data_file.readlines()
    data_file.close()
    # 对每一项输入数据进行模型训练
    for record in data_set:
        all_values = record.split(",")
        # 对训练数据进行放缩
        inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
        # 对训练数据标签进行编码
        targets = np.zeros(onodes) + 0.01
        targets[int(all_values[0])] = 0.99
        # 训练模型
        model.train(inputs, targets)
    # 加载测试数据
    test_data_file = open("./mnist_dataset/mnist_test.csv", 'r')
    test_data_list = test_data_file.readlines()
    test_data_file.close()
    # 分数卡
    scorecard = []
    # 对每一项测试数据进行预测
    for record in test_data_list:
        all_values = record.split(',')
        # 正确的标签
        correct_label = int(all_values[0])
        print(correct_label, "correct label")
        inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
        # 用神经网络模型预测
        outputs = model.forward(inputs)
        # 取出最大输出值对应的标签索引
        label = numpy.argmax(outputs)
        print(label, "network's answer")
        # 计分卡计数
        if label == correct_label:
            scorecard.append(1)
        else:
            scorecard.append(0)

    print(scorecard)
    # 计算分数
    scorecard_array = np.asarray(scorecard)
    print("performance = ", scorecard_array.sum() / scorecard_array.size)