Machine Learning(Andrew) ex4-Neural Networks Learning
椰汁笔记
Neural Networks
- 1.1 Visualizing the data
- 1.2 Model representation
由于本次作业的数据和网络结构和上次的作业相同,因此这两步已经在上次作业中完成,这里不再赘述。
- 1.3 Feedforward and cost function
当前网络的前向传播计算方法
a ( 1 ) = x 向 a ( 1 ) 添 加 偏 执 单 元 a 0 ( 1 ) = 1 z ( 2 ) = Θ ( 1 ) a ( 1 ) a ( 2 ) = g ( z ( 2 ) ) 向 a ( 2 ) 添 加 偏 执 单 元 a 0 ( 2 ) = 1 z ( 3 ) = Θ ( 2 ) a ( 2 ) a ( 3 ) = g ( z ( 3 ) ) = h θ ( x ) a^{(1)}=x\\ 向a^{(1)}添加偏执单元a_0^{(1)}=1\\ z^{(2)}=\Theta^{(1)}a^{(1)}\\ a^{(2)}=g(z^{(2)})\\ 向a^{(2)}添加偏执单元a_0^{(2)}=1\\ z^{(3)}=\Theta^{(2)}a^{(2)}\\ a^{(3)}=g(z^{(3)})=h_\theta(x) a(1)=x向a(1)添加偏执单元a0(1)=1z(2)=Θ(1)a(1)a(2)=g(z(2))向a(2)添加偏执单元a0(2)=1z(3)=Θ(2)a(2)a(3)=g(z(3))=hθ(x)
最后利用输出层计算cost
J ( θ ) = 1 m ∑ i = 1 m ∑ k = 1 K [ − y k ( i ) l o g ( ( h θ ( x ( i ) ) ) k ) − ( 1 − y k ( i ) ) l o g ( 1 − ( h θ ( x ( i ) ) ) k ) ] J(\theta)=\frac{1}{m}\sum_{i=1}^m\sum_{k=1}^K[-y^{(i)}_klog((h_{\theta}(x^{(i)}))_k)-(1-y^{(i)}_k)log(1-(h_{\theta}(x^{(i)}))_k)] J(θ)=m1i=1∑mk=1∑K[−yk(i)log((hθ(x(i)))k)−(1−yk(i))log(1−(hθ(x(i)))k)]
这里的y需要注意代表的意义
数字 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 0 |
---|---|---|---|---|---|---|---|---|---|---|
对应的向量下标 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
a1 = X # (5000,400)
a1 = np.insert(a1, 0, 1, axis=1) # (5000,401)
z2 = a1.dot(theta1.T) # (5000,25)
a2 = sigmoid(z2) # (5000,25)
a2 = np.insert(a2, 0, 1, axis=1) # (5000,26)
z3 = a2.dot(theta2.T) # (5000,10)
a3 = sigmoid(z3) # (5000,10)
cost = np.mean(np.sum((-y) * np.log(a3) - (1 - y) * np.log(1 - a3), axis=1))
print(cost)#0.2876291651613189
在封装装成函数时,发现这个其实可以写成一个循环去处理每层。
在传入theta时需要考虑到后面使用高级的优化方法时theta只能是一维向量,所有我们需要在传入多个theta时先展开成一个向量,在内部再恢复
def serialize(thetas):
"""
将多个参数多维数组,映射到一个向量上
:param thetas: tuple or list,按顺序存储每层的theta参数,每个为ndarray
:return: ndarray,一维化的参数向量
"""
res = np.array([0])
for t in thetas:
res = np.concatenate((res, t.ravel()), axis=0)
return res[1:]
def deserialize(theta):
"""
将向量还原为多个参数(只适用当前网络)
:param theta: ndarray,一维化的参数向量
:return: tuple ,按顺序存储每层的theta参数,每个为ndarray
"""
return theta[:25 * 401].reshape(25, 401), theta[25 * 401:].reshape(10, 26)
直接使用循环进行计算,每层计算的操作都是先添加偏置单元,再计算z,再计算A。
def not_regularized_cost(thetas, X, y):
"""
计算非正则化的损失值
:param theta: ndarray,一维参数向量
:param X: ndarray,输入层的输入值
:param y: ndarray,数据的标记
:return: float,损失值
"""
for t in deserial