神经网络基础-从零开始搭建一个神经网络

        

一、什么是神经网络

人工神经网络（Articial Neural Network，简写为ANN）也称为神经网络（NN),是一种模仿生物神经网络和功能的计算模型，人脑可以看做是一个生物神经网络，由众多的神经元连接而成，各个神经元传递复杂的电信号，树突接收到输入信号，然后对信号进行处理，通过轴突输出信号。人工神经网络也是类似，通过模仿人脑的“学习机器”，通过不断“看”数据（比如图片，数字），自己总结规律，最终学会预测（比如分类图片）

1.1、如何构建人工神经网络中的神经元

神经元=输入X权重+偏置->激活函数

权重：调节每个输入的重要性（类似音量旋钮）

偏置：调整输出的基准线（比如天生爱吃甜食）

激活函数：决定是否触发输出（比如及格线60分）

权重和偏置怎么来的？

一开始随机初始化，训练时通过数据自动调整到最优值

1.1、神经网络

使用多个神经元来构建神经网络，相邻之间的神经元相互连接，并给每一个连接分配一个强度，如下图：

神经网络中信息只向一个方向移动，即从输入节点向前移动，通过隐藏节点，再向输出节点移动，神经元的三层结构：

输入层：

• 像眼睛一样接受数据，比如输入一张3个数字的表格(比如身高，体重，年龄）
• 代码层面对应的是：my_data = torch.randn(5,3)生成一个5行3列的随机数据（5个人，每人3个特征）

隐藏层

• 像大脑一样处理数据，图中有两层“脑细胞”（Hidder Layer1和Hidden Layer2)

输出层：

• 像“嘴巴”一样给出答案，比如输出两个结果，y1,y2

1.2、神经网络的特点：

• 同一层的神经元之间没有连接。
• 第N层的每个神经元和第N-1层的所有神经元相连（full conneted的含义），这就是全连接神经网络
• 第N-1层神经元的输出就是第N层神经元的输入
• 每个连接都有一个权重值（w系数和b系数）

深度学习与机器学习的关系

深度学习是机器学习的一个分支，深度学习用多层神经网络（尤其是深层的网络）来学习数据，自动从数据中提取复杂特征，不用人工设计规则。

二、激活函数

激活函数用于对每层的输出数据进行变换，进而为整个网络注入非线性因素，此时，神经网络就可以拟合各种曲线，没有引入非线性因素的网络等价于使用一个线性模型来拟合

通过给网格输出增加激活函数，实现引入非线性因素，使得网络模型可以逼近任意函数，提升网络对复杂问题的拟合能力

2.1、常见的激活函数

1、sigmoid激活函数

• 可以将任意的输入映射到（0,1）之间，当输入的值大致在<-6或者>6时，意味着输入任何值得到的激活值都是差不多的，这样会丢失部分信息
• 对于sigmoid函数而言，输入值在[-6,6]之间输出值才有明显差异，输入值在[3,-3]之间才会有比较好的效果
• sigmoid网络在5层之内就会产生梯度消失现象，该激活函数并不是以0为中心的，在实践中这种激活函数使用的很少，一般只用于二分类的输出层

2、tanh激活函数

• Tanh 函数将输入映射到 (-1, 1) 之间，图像以 0 为中心，在 0 点对称，当输入 大概<-3 或者>3 时将被映射为 -1 或者 1。其导数值范围 (0, 1)，当输入的值大概 <-3 或者 > 3 时，其导数近似 0
• 与 Sigmoid 相比，它是以 0 为中心的，且梯度相对于sigmoid大，使得其收敛速度要比Sigmoid 快，减少迭代次数。然而，从图中可以看出，Tanh 两侧的导数也为 0，同样会造成梯度消失
• 若使用时可在隐藏层使用tanh函数，在输出层使用sigmoid函数

3、softMax激活函数

softMax用于多分类过程中，是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率的形式展示出来,将网络输出的logits通过softMax函数，映射成为（0,1）的值，这些值的累加和为1，选取概率最大的节点，作为我们的预测目标类别

4、ReLU激活函数

ReLU 激活函数将小于 0 的值映射为 0，而大于 0 的值则保持不变，它更加重视正信号，而忽略负信号，这种激活函数运算更为简单，能够提高模型的训练效率。

当x<0时，ReLU导数为0，而当x>0时，则不存在饱和问题。所以，ReLU 能够在x>0时保持梯度不衰减，从而缓解梯度消失问题。然而，随着训练的推进，部分输入会落入小于0区域，导致对应权重无法更新。这种现象被称为“神经元死亡”。

ReLU是目前最常用的激活函数。与sigmoid相比，RELU的优势是：

采用sigmoid函数，计算量大（指数运算），反向传播求误差梯度时，计算量相对大，而采用

Relu激活函数，整个过程的计算量节省很多。 sigmoid函数反向传播时，很容易就会出现梯度

消失的情况，从而无法完成深层网络的训练。 Relu会使一部分神经元的输出为0，这样就造成了

网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生

2.2、激活函数的选择方法

对于隐藏层：

1. 优先选择ReLU激活函数
2. 如果ReLu效果，可以尝试选择其他激活，如Leakly ReLu等
3. 如果你使用了ReLU， 需要注意一下Dead ReLU问题， 避免出现大的梯度从而导致过多的神经元死亡。
4. 少用使用sigmoid激活函数，可以尝试使用tanh激活函数

对于输出层：

1. 二分类问题选择sigmoid激活函数
2. 多分类问题选择softmax激活函数
3. 回归问题选择identity激活函数

2.3、参数初始化

• 均匀分布初始化

权重参数初始化从区间均匀随机取值。即在(-1/√d,1/√d)均匀分布中生成当前神经元的权重，其中d为每个神经元的输入数量

• 正态分布式初始化

随机初始化从均值为0，标准差是1的高斯分布中取样，使用一些很小的值，对参数W进行初始化

• 全0初始化

将神经网络中的所有权重参数初始化为0

• 全1初始化

将神经网络中的所有权重参数初始化为1

• 固定值初始化

将神经网络中的所有权重参数初始化为某个固定值

• kaiming初始化，也叫做HE初始化

HE 初始化分为正态分布的 HE 初始化、均匀分布的 HE 初始化

正态化的he初始化

stddev = sqrt(2 / fan_in)

均匀分布的he初始化

它从 [-limit，limit] 中的均匀分布中抽取样本, limit是 sqrt(6 / fan_in)

fan_in输入神经元的个数

xavier初始化，也叫做Glorot初始化

该方法也有两种，一种是正态分布的 xavier 初始化、一种是均匀分布的 xavier 初始化

正态化的Xavier初始化

stddev = sqrt(2 / (fan_in + fan_out))

均匀分布的Xavier初始化

[-limit，limit] 中的均匀分布中抽取样本, limit 是 sqrt(6 / (fan_in + fan_out))

fan_in是输入神经元的个数，fan_out是输出的神经元个数

初始化代码：

import torch
import torch.nn.functional as F
import torch.nn as nn

#1. 均匀分布随机初始化
def test01():
    print(f"均匀分布随机初始化{'='*30}均匀分布随机初始化")
    linear = nn.Linear(5,3)
    nn.init.uniform_(linear.weight)
    print(linear.weight.data)

# 2、固定初始化
def test02():
    print(f"固定初始化{'='*30}固定初始化")
    linear = nn.Linear(5,3)
    nn.init.constant_(linear.weight,5)
    print(linear.weight.data)

#3、全0初始化
def test03():
    print(f"全0初始化{'='*30}全0初始化")
    linear = nn.Linear(5,3)
    nn.init.zeros_(linear.weight)
    print(linear.weight.data)

def test04():
    print(f"全1初始化{'='*30}全1初始化")
    linear = nn.Linear(5,3)
    nn.init.ones_(linear.weight)
    print(linear.weight.data)
#适合从正态分布 N(mean,std^2) 采样权重。
#需手动调整方差，适合浅层网络或特定分布假设
def test05():
    print(f"正态分布随机初始化{'='*30}正态分布随机初始化")
    linear = nn.Linear(5,3)
    # mean:均值，默认0
    #std 标准差，默认1
    nn.init.normal_(linear.weight,mean=0,std=1)
    print(linear.weight.data)

#6、kaiming 初始化
#针对ReLU族激活函数设计，根据输入/输出维度调整方差
#适合深层网络（如CNN）、ReLU/Leaky ReLU激活函数
def test06():
    print(f"kaiming正态分布初始化{'='*30}kaiming正态分布初始化")
    #kaiming正态分布初始化
    linear = nn.Linear(5,3)
    nn.init.kaiming_normal_(linear.weight)
    print(linear.weight.data)

    print(f"kaiming均匀分布初始化{'='*30}kaiming均匀分布初始化")
    #kaiming均匀分布初始化
    linear = nn.Linear(5,3)
    #nn.init.kaiming_normal_(tensor, a=0, mode='fan_in', nonlinearity='leaky_relu')
    #mode：fan_in（前向传播，默认）或 fan_out（反向传播)
    #nonlinearity：激活函数类型（如 relu, leaky_relu）
    nn.init.kaiming_normal_(linear.weight)
    print(linear.weight.data)

    #kaiming均匀分布初始化
    linear = nn.Linear(5,3)
    nn.init.kaiming_uniform_(linear.weight)
    print(linear.weight.data)

#7xavier初始化
#正态分布：nn.init.xavier_normal_(tensor, gain=1.0)
#均匀分布：nn.init.xavier_uniform_(tensor, gain=1.0)
#保持输入输出方差一致，适用于对称激活函数（如tanh、sigmoid）
#gain：根据激活函数调整的缩放因子（如tanh的gain=5/3）
def test07():
    print(f"xavier正态分布初始化{'='*30}xavier正态分布初始化")
    #xavier正态分布初始化
    linear = nn.Linear(5,3)
    nn.init.xavier_uniform_(linear.weight)
    print(linear.weight.data)
    
    print(f"xavier均匀分布初始化{'='*30}xavier均匀分布初始化")
    liner = nn.Linear(5,3)
    nn.init.xavier_uniform_(linear.weight)
    print(linear.weight.data)

if __name__ =="__main__":
    test01()
    test02()
    test03()
    test04()
    test05()
    test06()
    test07()
    

输出结果：

均匀分布随机初始化==============================均匀分布随机初始化
tensor([[0.6716, 0.1197, 0.7008, 0.0801, 0.8953],
        [0.0483, 0.4593, 0.5607, 0.2824, 0.1307],
        [0.5942, 0.7758, 0.1852, 0.8597, 0.5166]])
固定初始化==============================固定初始化
tensor([[5., 5., 5.,