matlab 神经网络设计多层隐含层_【MATLAB深度学习】多层神经网络

多层神经网络

对于多层神经网络的训练，delta规则是无效的，因为应用delta规则训练必须要误差，但在隐含层中没有定义。输出节点的误差是指标准输出和神经网络输出之间的差别，但训练数据不提供隐藏层的标准输出。

真正的难题在于怎么定义隐藏节点的误差，于是有了反向传播算法。反向传播算法的重要性在于，它提供了一种用于确定隐含节点误差的系统方法。在该算法中，输出误差从输出层逐层后移，直到与输入层相邻的隐含层。

1.反向传播算法

在反向传播算法中，隐含节点误差的计算方式是求取delta的反向加权和，节点的delta是误差与激活函数导数之积。该过程从输出层开始，并重复于所有隐含层。

MATLAB代码实现：

输入数据为 { [(0,0,1),0],[(0,1,1),1],[(1,0,1),1],[(1,1,1),0] }，网络结构为三个输入节点，四个节点组成的隐含层，一个输出节点。Sigmoid函数为激活函数，采用SGD实现反向传播算法。

function [W1, W2] = BackpropXOR(W1, W2, X, D)

% 以神经网络的权重和训练数据作为输入，返回调整后的权重

% 其中W1和W2为相应层的权重矩阵；X和D分别是训练数据的输入和标准输入

alpha = 0.9;

N = 4;

for k = 1:N

x = X(k, :)';

d = D(k);

v1 = W1*x;

y1 = Sigmoid(v1);

v = W2*y1;

y = Sigmoid(v);

e = d - y;

delta = y.*(1-y).*e;

e1 = W2'*delta; % 反向传播

delta1 = y1.*(1-y1).*e1;

dW1 = alpha*delta1*x';

W1 = W1 + dW1;

dW2 = alpha*delta*y1';

W2 = W2 + dW2;

end

end

Sigmoid函数定义如下：

function y = Sigmoid(x)

y = 1 ./ (1 + exp(-x));

end

验证函数效果程序：

clear all

X = [ 0 0 1;

0 1 1;

1 0 1;

1 1 1;

];

D = [ 0

1

1

0

];

W1 = 2*rand(4, 3) - 1;

W2 = 2*rand(1, 4) - 1;

for epoch = 1:10000 % train

[W1 W2] = BackpropXOR(W1, W2, X, D);

end

N = 4; % inference

for k = 1:N

x = X(k, :)';

v1 = W1*x;

y1 = Sigmoid(v1);

v = W2*y1;

y = Sigmoid(v)

end

输出结果为：0.0077，0.9887，0.9885，0.0134。解决了异或问题。

2.动量

动量m是一个添加到delta规则中用于调整权重的项。使用动量项推动权重在一定程度上向某个特定方向调整，而不是产生立即性改变。它的行为类似于物理学中的动量，能够阻碍物体本身对外力的反应。

是上一次的动量，

是一个小于1的常数。动量随时间变化方式如下：

在过程的每一步，都向动量加上上一步的权重更新，如

等。由于

小于1，所以越早的权重更新对动量的影响越小。虽然影响力随着时间的推移而减弱，但是更早的权重更新仍然存在于动量之中。因此，权重不仅受某个特定权重更新值的影响。故而，学习的稳定性得到提高。此外，动量随着权重更新而逐渐增大。因而权重更新量也随之越来越大。因此，学习的效率也提高了。

应用了动量的反向传播算法：

function [W1, W2] = BackpropMmt(W1, W2, X, D)

alpha = 0.9;

beta = 0.9;

mmt1 = zeros(size(W1));

mmt2 = zeros(size(W2));

N = 4;

for k = 1:N

x = X(k, :)';

d = D(k);

v1 = W1*x;

y1 = Sigmoid(v1);

v = W2*y1;

y = Sigmoid(v);

e = d - y;

delta = y.*(1-y).*e;

e1 = W2'*delta;

delta1 = y1.*(1-y1).*e1;

% 动量

dW1 = alpha*delta1*x';

mmt1 = dW1 + beta*mmt1;

W1 = W1 + mmt1;

dW2 = alpha*delta*y1';

mmt2 = dW2 + beta*mmt2;

W2 = W2 + mmt2;

end

end

测试代码：

clear all

X = [ 0 0 1;

0 1 1;

1 0 1;

1 1 1;

];

D = [ 0

1

1

0

];

W1 = 2*rand(4, 3) - 1;

W2 = 2*rand(1, 4) - 1;

for epoch = 1:10000 % train

[W1 W2] = BackpropMmt(W1, W2, X, D);

end

N = 4; % inference

for k = 1:N

x = X(k, :)';

v1 = W1*x;

y1 = Sigmoid(v1);

v = W2*y1;

y = Sigmoid(v)

end

测试结果为 0.0030，0.9947，0.9909，0.0160。

3.代价函数与学习规则

神经网络误差的度量就是代价函数。神经网络的误差越大，代价函数的值就越高。

交叉熵函数对误差更敏感，通常认为交叉熵函数导出的学习规则能够得到更好的性能。正则化的本质是将权重叠加到代价函数中

。

交叉函数示例程序：网络结构和输入数据更上面一样

function [W1, W2] = BackpropCE(W1, W2, X, D)

alpha = 0.9;

N = 4;

for k = 1:N

x = X(k, :)'; % x = a column vector

d = D(k);

v1 = W1*x;

y1 = Sigmoid(v1);

v = W2*y1;

y = Sigmoid(v);

e = d - y;

delta = e;

e1 = W2'*delta;

delta1 = y1.*(1-y1).*e1;

dW1 = alpha*delta1*x';

W1 = W1 + dW1;

dW2 = alpha*delta*y1';

W2 = W2 + dW2;

end

end

其差别在于delta的计算上。以下是测试代码：

clear all

X = [ 0 0 1;

0 1 1;

1 0 1;

1 1 1;

];

D = [ 0

1

1

0

];

W1 = 2*rand(4, 3) - 1;

W2 = 2*rand(1, 4) - 1;

for epoch = 1:10000 % train

[W1 W2] = BackpropCE(W1, W2, X, D);

end

N = 4; % inference

for k = 1:N

x = X(k, :)';

v1 = W1*x;

y1 = Sigmoid(v1);

v = W2*y1;

y = Sigmoid(v)

end

输出结果为 4.0043e-05，0.9997，0.9999，3.9127e-04。

4.代价函数比较

比较两种代价函数的误差均值，代码如下：

clear all

X = [ 0 0 1;

0 1 1;

1 0 1;

1 1 1;

];

D = [ 0

0

1

1

];

E1 = zeros(1000, 1);

E2 = zeros(1000, 1);

W11 = 2*rand(4, 3) - 1; % Cross entropy

W12 = 2*rand(1, 4) - 1; %

W21 = W11; % Sum of squared error

W22 = W12; %

for epoch = 1:1000

[W11 W12] = BackpropCE(W11, W12, X, D);

[W21 W22] = BackpropXOR(W21, W22, X, D);

es1 = 0;

es2 = 0;

N = 4;

for k = 1:N

x = X(k, :)';

d = D(k);

v1 = W11*x;

y1 = Sigmoid(v1);

v = W12*y1;

y = Sigmoid(v);

es1 = es1 + (d - y)^2;

v1 = W21*x;

y1 = Sigmoid(v1);

v = W22*y1;

y = Sigmoid(v);

es2 = es2 + (d - y)^2;

end

E1(epoch) = es1 / N;

E2(epoch) = es2 / N;

end

plot(E1, 'r')

hold on

plot(E2, 'b:')

xlabel('Epoch')

ylabel('Average of Training error')

legend('Cross Entropy', 'Sum of Squared Error')

输出结果下图所示，交叉熵代价函数能更快地速度降低训练误差。