RNN网络实现二进制加法(Python无框架代码)
RNN网络在我学习的时候,发现网上的手动代码都是关于二进制加法的程序,当时这个程序注释比较少,不是很好理解,容易让人放弃。下面把我写的一个注释版放出来,方便深度学习和python初学者理解(我也是小白,哈哈哈,希望大佬见谅)
'利用RNN网络特性(能够记忆之前的事物),使RNN网络学会二进制加法,即能正确完成加法和进位两种操作'
"激活函数为sigmoid"
import copy, numpy as np
np.random.seed(0)
#定义sigmoid函数
def sigmoid(x):
output = 1 / (1 + np.exp(-x))
return output
#计算sigmoid函数的导数
def sigmoid_output_to_derivative(output):
return output * (1 - output)
# 生成要计算的二进制数据
int2binary = {} # 用于将输入的整数转为计算机可运行的二进制数用
binary_dim = 8 # 定义了二进制数的长度=8
largest_number = pow(2, binary_dim) # 二进制数最大能取的数就=256喽
binary = np.unpackbits(
np.array([range(largest_number)], dtype=np.uint8).T, axis=1)
for i in range(largest_number): # 将二进制数与十进制数做个一一对应的字典
int2binary[i] = binary[i]
# 初始参数
alpha = 0.1 # 反向传播时参数w更新的速度
input_dim = 2 # 输入数据的维度,程序是实现两个数相加的
hidden_dim = 16 # 隐藏层神经元个数=16
output_dim = 1 # 输出结果值是1维的
# 初始化神经网络的权重参数
synapse_0 = 2 * np.random.random((input_dim, hidden_dim)) - 1 # 输入层权值,维度为2X16,取值约束在[-1,1]间
synapse_1 = 2 * np.random.random((hidden_dim, output_dim)) - 1 # 隐层权值,维度为16X1,取值约束在[-1,1]间
synapse_h = 2 * np.random.random((hidden_dim, hidden_dim)) - 1 # 循环层,维度为16X16,取值约束在[-1,1]间
synapse_0_update = np.zeros_like(synapse_0) # 初始化增量矩阵
synapse_1_update = np.zeros_like(synapse_1)
synapse_h_update = np.zeros_like(synapse_h)
# training logic
for j in range(10000): # 模型迭代次数,可自行更改
# 随机生成相加的数,并将其转换为二进制数
# a_int 为十进制 且小于128, a为二进制
a_int = np.random.randint(largest_number / 2)
a = int2binary[a_int]
b_int = np.random.randint(largest_number / 2)
b = int2binary[b_int]
# c 为实际值
c_int = a_int + b_int # 真实和
c = int2binary[c_int]
# d 为预测值
d = np.zeros_like(c)
overallError = 0 # 打印显示误差
layer_2_deltas = list() # 反向求导用
layer_1_values = list()
# 先对隐藏层前一时刻状态初始化为 [0,0,0,,,,*16]
layer_1_values.append(np.zeros(hidden_dim))
# 前向传播;二进制求和,低位在右,高位在左 以此方向为正向
for position in range(binary_dim):
# 从最右边的数开始求和,所以索引要倒着写(从第七个开始求和)
X = np.array([[a[binary_dim - position - 1], b[binary_dim - position - 1]]])
# 输入的a与b(二进制形式) 1*2
y = np.array([[c[binary_dim - position - 1]]]).T # 真实label值 二进制
# 隐层输出 1*2 * 2*16 + 1*16 * 16*16 = 1*16
layer_1 = sigmoid(np.dot(X, synapse_0) + np.dot(layer_1_values[-1], synapse_h)) # X*w0+RNN前一时刻状态值*wh
# 输出层 1*16 * 16*1 = 1*1
layer_2 = sigmoid(np.dot(layer_1, synapse_1))
# 求误差
layer_2_error = y - layer_2
# 将layer_2_deltas 算出来 并存入列表( y - y_p )*f'(z) 其结果是一个数
layer_2_deltas.append((layer_2_error) * sigmoid_output_to_derivative(layer_2))
overallError += np.abs(layer_2_error[0]) # 误差,打印显示用
# a[7]+b[7]=d[7] 预测的和 循环结束后就会得到完整的二进制加法结果
d[binary_dim - position - 1] = np.round(layer_2[0][0])
# 深拷贝,将前向传播隐层输出保存起来
layer_1_values.append(copy.deepcopy(layer_1))
# 给记忆细胞赋初值 1*16 个0
future_layer_1_delta = np.zeros(hidden_dim)
# 反向传播,计算从左到右,即二进制高位到低位
for position in range(binary_dim):
X = np.array([[a[position], b[position]]]) # a[0],b[0]
# 因为从右往左是正向,所以此时拿前向传播中的隐层中第七位的值
layer_1 = layer_1_values[-position - 1]
# 拿到前向传播中的前一个值 layer_1_+1 便于后面对循环层的矩阵进行跟新
prev_layer_1 = layer_1_values[-position - 2]
# 拿出第七位的 layer_2_delta ,用于计算 layer_1_delta
layer_2_delta = layer_2_deltas[-position - 1]
# 计算 layer_1_delta , future_layer_1_delta初始值为0 与 Whh 相乘
layer_1_delta = (future_layer_1_delta.dot(synapse_h.T) + layer_2_delta.dot(
synapse_1.T)) * sigmoid_output_to_derivative(layer_1)
# 跟新权值增量 (atleast_2d 避免列向量导致无法计算的问题)
synapse_1_update += np.atleast_2d(layer_1).T.dot(layer_2_delta) # 对w1进行更新
synapse_h_update += np.atleast_2d(prev_layer_1).T.dot(layer_1_delta) # 对wh进行更新
synapse_0_update += X.T.dot(layer_1_delta) # 对w0进行更新
# 跟新记忆细胞中的值
future_layer_1_delta = layer_1_delta
# 跟新权值
synapse_0 += synapse_0_update * alpha
synapse_1 += synapse_1_update * alpha
synapse_h += synapse_h_update * alpha
synapse_0_update *= 0
synapse_1_update *= 0
synapse_h_update *= 0
# print out progress
if (j % 1000 == 0): # 每1000次打印结果
print("Error:" + str(overallError))
print("Pred:" + str(d))
print("True:" + str(c))
out = 0
for index, x in enumerate(reversed(d)):
out += x * pow(2, index)
print(str(a_int) + " + " + str(b_int) + " = " + str(out))
print("------------")