python神经网络算法教程_基于Python的深度学习入门------梯度法神经网络学习

通过学习阅读图灵图书的《深度学习入门》，对梯度法的深度学习的个人理解如下：

神经网络的学习步骤：

步骤一.从训练数据中随机选出一部分数据，成为mini-batch。训练的目标就是减小mini-batch的损失函数的值；

步骤二.对损失函数求各个权重参数的偏导数，即梯度。梯度即表示损失函数的值减少最多的方向；

步骤三.将权重参数沿梯度方向进行微小更新；

步骤四.重复步骤1,2,3

结合上面的学习步骤，具体的任务如下：

准备：开始实例化神经网络类，确定开始设定的权重参数，使用高斯分布的随机数进行初始化；设置合适的学习率和循环次数

步骤一：选取mini-batch时，采用随机数选择；

步骤二：求梯度时，首先确定清楚是对损失函数求各个偏重参数的偏导数，损失函数loss(self, x, t)常用交叉熵误差cross_entropy_error(y, t)，而交叉熵误差函数的参数为神经网络输出y和监督数据t；而y需要调用预测函数predict(self， x)，预测函数主要实现神经元矩阵与权重函数矩阵的点乘加上偏置参数，隐藏层的激活函数为sigmoid()函数，输出层为softmax()函数。求梯度时的函数的参数为：损失函数，权重参数，输出权重参数的梯度；

2层神经网络的类如下

class TwoLayerNet:

def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):

# 初始化权重

self.params = {}

self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)

self.params['b1'] = np.zeros(hidden_size)

self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)

self.params['b2'] = np.zeros(output_size)

def predict(self, x):

W1, W2 = self.params['W1'], self.params['W2']

b1, b2 = self.params['b1'], self.params['b2']

a1 = np.dot(x, W1) + b1

z1 = sigmoid(a1)

a2 = np.dot(z1, W2) + b2

y = softmax(a2)

return y

# x:输入数据, t:监督数据

def loss(self, x, t):

y = self.predict(x)

return cross_entropy_error(y, t)

def accuracy(self, x, t):

y = self.predict(x)

y = np.argmax(y, axis=1)

t = np.argmax(t, axis=1)

accuracy = np.sum(y == t) / float(x.shape[0])

return accuracy

# x:输入数据, t:监督数据

def numerical_gradient(self, x, t):

loss_W = lambda W: self.loss(x, t)

grads = {}

grads['W1'] = numerical_gradient(loss_W, self.params['W1'])

grads['b1'] = numerical_gradient(loss_W, self.params['b1'])

grads['W2'] = numerical_gradient(loss_W, self.params['W2'])

grads['b2'] = numerical_gradient(loss_W, self.params['b2'])

return grads

步骤三：更新权重参数

# 更新参数

for key in ('W1', 'b1', 'W2', 'b2'):

network.params[key] -= learning_rate * grad[key]

步骤四：从第一步开始，重新随机选择mini-batch，应用上一轮更新后的权重参数，求梯度，再次更新。。。准备工作中设置了循环次数。

以上为个人学习理解，能力有限，错误之处欢迎各位朋友批评指正！一起学习！