深度学习入门——神经网络

神经网络

神经网络是一种受到人脑神经系统启发的机器学习模型。它由一系列相互连接的人工神经元组成，这些神经元以层次结构排列。每个神经元接收来自上一层神经元的输入，并根据权重和激活函数对输入进行加权处理，然后将输出传递给下一层神经元。

如下图是一个简单的神经网络，最左边的一列称为输入层，最右边的一列称为输出层，中间的一列称为中间层。

上述说到根据权重和激活函数对输入进行加权处理，这个过程可以描述成感知机实现的过程。
$$y=\{\begin{array}{ll}0& \left(w_1{x}_1+w_2{x}_2+b⩽0\right)\\ 1& \left(w_1{x}_1+w_2{x}_2+b>0\right)\end{array}$$
如上公式表示的感知机可以通过权重求和与一个函数h(x)实现。如下所示：
$$x=w_1{x}_1+w_2{x}_2+b$$
$$y=h(x)$$
$$h(x)=\{\begin{array}{l}0(x\le 0)\\ 1(x>0)\end{array}$$
图示如下：

激活函数

阶跃函数

上述的激活函数以阈值为界，一旦输入超过阈值，就切换输出。这样的函数称为“阶跃函数”。

$$h(x)=\{\begin{array}{l}0(x\le 0)\\ 1(x>0)\end{array}$$

对于阶跃函数的实现如下：

def step_function(x):
    if x>0:
        return 1
    else:
        return 0

上述实现只能接受实数，不允许参数为NumPy数组，支持NumPy数组的实现如下：

def step_function(x):
    y = x > 0
    return y.astype(np.int)

阶跃函数的图形如下

import numpy as np
import matplotlib.pylab as plt

def step_function(x):
    return np.array(x>0, dtype=np.int)

x = np.arange(-5.0, 5.0, 0.1)
y = step_function(x)
plt.plot(x, y)
plt.ylim(-0.1, 1.1)
plt.show()

sigmoid函数

sigmoid函数是神经网络常用的一个激活函数，公式如下：
$$h(x)=\frac{1}{1+exp(-x)}$$
exp(-x)表示$e^{-x}$的意思

python实现如下：

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

sigmoid图形如下：

import numpy as np
import matplotlib.pylab as plt

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

x = np.arange(-5.0, 5.0, 0.1)
y = sigmoid(x)
plt.plot(x, y)
plt.ylim(-0.1, 1.1)
plt.show()

两个激活函数的区别：

• 平滑性不同：sigmoid函数是一条平滑的曲线，输出随着输入发生连续性的变化。而阶跃函数以0为界，输出发生急剧性的变化。sigmoid函数的平滑性对神经网络的学习具有重要意义。
• 相对于阶跃函数只能返回0或1，sigmoid函数能够返回连续的实数，因此，相比起感知机中神经元之间流动的是0或1的二元信号，而神经网络中流动的是连续的实数值信号。

ReLU函数

ReLU函数在输入大于0时，直接输出该值；在输入小于等于0时，输出0，公式如下：
$$h(x)=\{\begin{array}{l}x(x>0)\\ 0(x\le 0)\end{array}$$

python代码实现：

def relu(x):
    return np.maximum(0, x)

ReLU图形如下：

import numpy as np
import matplotlib.pylab as plt

def relu(x):
    return np.maximum(0, x)

x = np.arange(-5.0, 5.0, 0.1)
y = relu(x)
plt.plot(x, y)
plt.ylim(-1, 5.5)
plt.show()

非线性函数

阶跃函数和sigmoid函数还有其他共同点，就是两者均为非线性函数。sigmoid函数是一条曲线，阶跃函数是一条像阶梯一样的折线，两者都属于非线性的函数。

神经网络的激活函数必须使用非线性函数。因为，线性函数存在一个问题，不管如何加深层数，总是存在与之等效的“无隐藏层的神经网络”。

举一个例子，如果我们考虑把线性函数 h(x) = cx 作为激活函数，把y(x) = h(h(h(x)))的运算对应3层神经网络。这个运算等价于$g(x)=c^{3}x$作为激活函数的1层神经网络。

3层神经网络前向传播的实现

3层神经网络：输入层（第0层）有2个神经元，第1个隐藏层（第1层）有3个神经元，第2个隐藏层（第2层）有2个神经元，输出层（第3层）有2个神经元。流程如下图：

定义符号$w_{jk}^{(i)}$为前一层第k个神经元到第i层第j个神经元$a_j^i$的权重，如下图：

代码实现如下：

def identity_function(x):
    return x

def init_network():
    network = {}
    network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
    network['b1'] = np.array([0.1, 0.2, 0.3])
    network['W2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
    network['b2'] = np.array([0.1, 0.2])
    network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
    network['b3'] = np.array([0.1, 0.2])
    return network

def forward(network, x):
    W1, W2, W3 = network['W1'], network['W2'], network['W3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']
    
    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    z3 = identity_function(a3)
    
    return z3

network = init_network()
x = np.array([1.0, 0.5])
y = forward(network, x)
print(y) #[0.31682708 0.69627909]

输出层的设计

神经网络可以用在分类问题和回归问题上，不过需要根据情况改变输出层的激活函数。一般而言，回归问题用恒等函数，分类问题用softmax函数。分类问题是数据属于哪一个类别的问题。。而回归问题是根据某个输入预测一个（连续的）数值的问题。

恒等函数和softmax函数

• 恒等函数会将输入按原样输出，对于输入的信息，不加以任何改动地直接输出。
• softmax函数的输出是0.0到1.0之间的实数。并且，softmax函数的输出值的总和是1。所以我们可以把softmax函数的输出解释为“概率”。

分类问题使用的softmax函数可以用下面的公式表示：
$$y_k=\frac{exp(a_k)}{{\sum }_{i=1}^{n}exp(a_i)}$$

python实现softmax函数：

def softmax(a):
    exp_a = np.exp(a)
    sum_exp_a = np.sum(exp_a)
    y = exp_a / sum_exp_a
    
    return y

softmax函数注意事项：softmax函数的实现中要进行指数函数的运算，但是此时指数函数的值很容易变得非常大。解决方法：令c为输入参数中的最大值，所有输入参数减去C后再做指数运算，这样等价于分子分母同时除以exp©，所以计算结果不变。改进代码如下：

def softmax(a):
    c = np.max(a)
    exp_a = np.exp(a - c)
    sum_exp_a = np.sum(exp_a)
    y = exp_a / sum_exp_a
    
    return y