sklearn 神经网络_深度学习原理—代码分析线性分类与神经网络分类的区别

利用sklearn.dataset随机产生数据，随机生成两类数据，用不同的颜色展示出来，如下图：

产生的随机代码如下：

#随机产生的数据np.random.seed(0)X,y=datasets.make_moons(300,noise=0.25)plt.scatter(X[:,0],X[:,1],s=50,c=y,cmap=plt.cm.Vega20c,edgecolors="Black")plt.title('Random data')plt.show()

一、线性分类

先使用sklearn自带的线性分类方法，将上面的数据分为两类，代码和效果图如下：

from sklearn import linear_modelfrom sklearn import datasetsimport sklearnimport numpy as npimport matplotlib.pyplot as plt#绘制分类边界函数def plot_boundary(pred_func,data,labels): x_min,x_max=data[:,0].min()-0.5,data[:,0].max()+0.5 y_min,y_max=data[:,1].min()-0.5,data[:,1].max()+0.5 h=0.01 xx,yy=np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h)) z=pred_func(np.c_[xx.ravel(),yy.ravel()]) z=z.reshape(xx.shape) plt.contourf(xx,yy,z,cmap=plt.cm.Blues,alpha=0.2) plt.scatter(data[:,0],data[:,1],s=40,c=labels,cmap=plt.cm.Vega20c,edgecolors="Black") plt.show()#线性分类logistic_fun=sklearn.linear_model.LogisticRegressionCV()clf=logistic_fun.fit(X,y)#展示分类图plot_boundary(lambda x:clf.predict(x),X,y)plt.title("Logistic Regression")

二、神经网络分类

定义如下图所示的神经网络：

网络结构：输入层、隐藏层、输出层【2，3，2】

激活函数使用Tanh函数，最后通过Softmax层把激活函数的输出转换为概率

对于分类问题，损失函数使用交叉熵损失，公式如下：

其中，p为期望概率分布(实际值)，q为网络输出(预测值)

而为了避免过拟合，可添加L2正则化，新的损失函数即为：

关于反向传播与参数更新可参看这篇博客：https://www.cnblogs.com/wangyong/p/9740170.html

接下来，直接查看代码：

from sklearn import datasetsimport sklearnimport numpy as npimport matplotlib.pyplot as pltinput_dim=2 #输入维度output_dim=2 #输出的维度，分类数epsilon=0.01 #梯度下降算法的学习率reg_lambda=0.01def calculate_loss(model,X,y): num_examples=len(X) W1,b1,W2,b2=model['W1'],model['b1'],model['W2'],model['b2'] #正向传播计算预测值 z1=X.dot(W1)+b1 a1=np.tanh(z1) z2=a1.dot(W2)+b2 #Softmax计算概率 exp_scores=np.exp(z2) probs=exp_scores/np.sum(exp_scores,axis=1,keepdims=True) #交叉熵损失 corect_logprobs=-np.log(probs[range(num_examples),y]) data_loss=np.sum(corect_logprobs) #L2正则化 data_loss+=reg_lambda/2*(np.sum(np.square(W1))+np.sum(np.square(W2))) return (1.0/num_examples)*data_lossdef predict(model,x): W1,b1,W2,b2=model['W1'],model['b1'],model['W2'],model['b2'] #向前传播 z1=x.dot(W1)+b1 a1=np.tanh(z1) z2=a1.dot(W2)+b2 exp_scores=np.exp(z2) probs=exp_scores/np.sum(exp_scores,axis=1,keepdims=True) return np.argmax(probs,axis=1)def plot_boundary(pred_func,data,labels): x_min,x_max=data[:,0].min()-0.5,data[:,0].max()+0.5 y_min,y_max=data[:,1].min()-0.5,data[:,1].max()+0.5 h=0.01 xx,yy=np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h)) z=pred_func(np.c_[xx.ravel(),yy.ravel()]) z=z.reshape(xx.shape) plt.contourf(xx,yy,z,cmap=plt.cm.Blues,alpha=0.2) plt.scatter(data[:,0],data[:,1],s=40,c=labels,cmap=plt.cm.Vega20c,edgecolors="Black") plt.show()def ANN_model(X,y,nn_dim): num_indim=len(X) #训练数据集 model={} np.random.seed(0) W1=np.random.randn(input_dim,nn_dim)/np.sqrt(input_dim) b1=np.zeros((1,nn_dim)) W2=np.random.randn(nn_dim,output_dim)/np.sqrt(nn_dim) b2=np.zeros((1,output_dim)) #批量梯度下降算法BSGD num_passes=20000 #梯度下降迭代次数 for i in range(0,num_passes): #向前传播 z1=X.dot(W1)+b1 a1=np.tanh(z1) z2=a1.dot(W2)+b2 exp_scores=np.exp(z2) probs=exp_scores/np.sum(exp_scores,axis=1,keepdims=True) #向后传播算法 delta3=probs delta3[range(num_indim),y] -= 1 delta2=delta3.dot(W2.T)*(1-np.power(a1,2)) dW2=(a1.T).dot(delta3) db2=np.sum(delta3,axis=0,keepdims=True) dW1=np.dot(X.T,delta2) db1=np.sum(delta2,axis=0) dW1 += reg_lambda * W1 dW2 += reg_lambda * W2 #更新权重 W1 += -epsilon * dW1 b1 += -epsilon * db1 W2 += -epsilon * dW2 b2 += -epsilon * db2 model={'W1':W1,'b1':b1,'W2':W2,'b2':b2} if i%1000==0: print("Loss after iteration %i:%f