0. 前言
前面对单层神经网络的过程进行了实现,下面想对多层的神经网络进行说明。
1. 网络结构
多个神经元,多层网络。
下面是一个输入层,一个隐藏层,一个输出层:
从上面的网络结构可以看到,此时的w就比单层的复杂了。在输入层到隐藏层有
3
∗
4
=
12
3*4=12
3∗4=12个w,隐藏层到输出层有
4
∗
1
=
4
4*1=4
4∗1=4个w。
多层与单层很相似,通过输入数据与w相乘得到计算结果,再通过神经元中的激活函数后得到一个值,继续向下一层传递;最终得到输出后,也会通过误差来反向调整w。
2. 实现过程
import numpy as np
def fp(X):
"""正向传播"""
layer1 = 1 / (1 + np.exp(-np.dot(X, w0))) # 第一层的值
layer2 = 1 / (1 + np.exp(-np.dot(layer1, w1))) # 第二层的值
# print("layer1: ", layer1)
# print("layer2: ", layer2)
return layer1, layer2
def bp(layer1, layer2, y):
"""反向计算增量"""
layer1_error = y - layer2 # 计算结果与实际结果的误差
layer1_slope = layer2 * (1 - layer2) # 斜率
layer1_delta = layer1_error * layer1_slope # 增量
layer0_error = layer1_delta.dot(w1.T)
layer0_slope = layer1 * (1- layer1)
layer0_delta = layer0_error * layer0_slope
return layer0_delta, layer1_delta
# 数据
X = np.array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])
y = np.array([[0, 0, 1, 1]]).T
# 设置权重
np.random.seed(1) # 让每次生成的随机数相同
w0 = np.random.random((3, 4)) * 2 -1 # 生成12个随机数,随机数在-1到1之间
w1 = np.random.random((4, 1)) * 2 -1 # 生成4个随机数,随机数在-1到1之间
# 迭代
for iter_num in range(10000):
layer0 = X
layer1, layer2 = fp(layer0)
layer0_delta, layer1_delta = bp(layer1, layer2, y)
# print(layer0_delta, "\n", layer1_delta)
# 更新weight
w1 = w1 + np.dot(layer1.T, layer1_delta)
w0 = w0 + np.dot(layer0.T, layer0_delta)
# print("最终的weights:\n", weight)
"""此处进行一个预测"""
layer0_test = np.array([[0, 1, 1]])
y = fp(layer0_test)
print("预测结果:", y[1])
输出结果:
预测结果: [[0.99101005]]
代码中关于斜率部分,即对函数求导结果可以参考sigmoid函数求导证明。