BP神经网络PYthon实现（带有”增加充量项“）

[python]  view plain copy

1. # Back-Propagation Neural Networks  
2. #   
3.   
4. import math  
5. import random  
6. import string  
7.   
8. random.seed(0)  
9.   
10. # calculate a random number where:  a <= rand < b  
11. def rand(a, b):  
12.     return (b-a)*random.random() + a  
13.   
14. # Make a matrix (we could use NumPy to speed this up)  
15. def makeMatrix(I, J, fill=0.0):  
16.     m = []  
17.     for i in range(I):  
18.         m.append([fill]*J)  
19.     return m  
20.   
21. # our sigmoid function, tanh is a little nicer than the standard 1/(1+e^-x)  
22. #使用双正切函数代替logistic函数  
23. def sigmoid(x):  
24.     return math.tanh(x)  
25.   
26. # derivative of our sigmoid function, in terms of the output (i.e. y)  
27. # 双正切函数的导数，在求取输出层和隐藏侧的误差项的时候会用到  
28. def dsigmoid(y):  
29.     return 1.0 - y**2  
30.   
31. class NN:  
32.     def __init__(self, ni, nh, no):  
33.         # number of input, hidden, and output nodes  
34.         # 输入层，隐藏层，输出层的数量，三层网络  
35.         self.ni = ni + 1 # +1 for bias node  
36.         self.nh = nh  
37.         self.no = no  
38.   
39.         # activations for nodes  
40.         self.ai = [1.0]*self.ni  
41.         self.ah = [1.0]*self.nh  
42.         self.ao = [1.0]*self.no  
43.           
44.         # create weights  
45.         #生成权重矩阵，每一个输入层节点和隐藏层节点都连接  
46.         #每一个隐藏层节点和输出层节点链接  
47.         #大小：self.ni*self.nh  
48.         self.wi = makeMatrix(self.ni, self.nh)  
49.         #大小：self.ni*self.nh  
50.         self.wo = makeMatrix(self.nh, self.no)  
51.         # set them to random vaules  
52.         #生成权重，在-0.2-0.2之间  
53.         for i in range(self.ni):  
54.             for j in range(self.nh):  
55.                 self.wi[i][j] = rand(-0.2, 0.2)  
56.         for j in range(self.nh):  
57.             for k in range(self.no):  
58.                 self.wo[j][k] = rand(-2.0, 2.0)  
59.   
60.         # last change in weights for momentum   
61.         #?  
62.         self.ci = makeMatrix(self.ni, self.nh)  
63.         self.co = makeMatrix(self.nh, self.no)  
64.   
65.     def update(self, inputs):  
66.         if len(inputs) != self.ni-1:  
67.             raise ValueError('wrong number of inputs')  
68.   
69.         # input activations  
70.         # 输入的激活函数，就是y=x;  
71.         for i in range(self.ni-1):  
72.             #self.ai[i] = sigmoid(inputs[i])  
73.             self.ai[i] = inputs[i]  
74.   
75.         # hidden activations  
76.         #隐藏层的激活函数,求和然后使用压缩函数  
77.         for j in range(self.nh):  
78.             sum = 0.0  
79.             for i in range(self.ni):  
80.                 #sum就是《ml》书中的net  
81.                 sum = sum + self.ai[i] * self.wi[i][j]  
82.             self.ah[j] = sigmoid(sum)  
83.   
84.         # output activations  
85.         #输出的激活函数  
86.         for k in range(self.no):  
87.             sum = 0.0  
88.             for j in range(self.nh):  
89.                 sum = sum + self.ah[j] * self.wo[j][k]  
90.             self.ao[k] = sigmoid(sum)  
91.   
92.         return self.ao[:]  
93.   
94.     #反向传播算法 targets是样本的正确的输出  
95.     def backPropagate(self, targets, N, M):  
96.         if len(targets) != self.no:  
97.             raise ValueError('wrong number of target values')  
98.   
99.         # calculate error terms for output  
100.         #计算输出层的误差项   
101.         output_deltas = [0.0] * self.no  
102.         for k in range(self.no):  
103.             #计算k-o  
104.             error = targets[k]-self.ao[k]  
105.             #计算书中公式4.14  
106.             output_deltas[k] = dsigmoid(self.ao[k]) * error  
107.   
108.         # calculate error terms for hidden  
109.         #计算隐藏层的误差项，使用《ml》书中的公式4.15  
110.         hidden_deltas = [0.0] * self.nh  
111.         for j in range(self.nh):  
112.             error = 0.0  
113.             for k in range(self.no):  
114.                 error = error + output_deltas[k]*self.wo[j][k]  
115.             hidden_deltas[j] = dsigmoid(self.ah[j]) * error  
116.   
117.         # update output weights  
118.         # 更新输出层的权重参数  
119.         # 这里可以看出，本例使用的是带有“增加冲量项”的BPANN  
120.         # 其中，N为学习速率 M为充量项的参数 self.co为冲量项  
121.         # N: learning rate  
122.         # M: momentum factor  
123.         for j in range(self.nh):  
124.             for k in range(self.no):  
125.                 change = output_deltas[k]*self.ah[j]  
126.                 self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]  
127.                 self.co[j][k] = change  
128.                 #print N*change, M*self.co[j][k]  
129.   
130.         # update input weights  
131.         #更新输入项的权重参数  
132.         for i in range(self.ni):  
133.             for j in range(self.nh):  
134.                 change = hidden_deltas[j]*self.ai[i]  
135.                 self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]  
136.                 self.ci[i][j] = change  
137.   
138.         # calculate error  
139.         #计算E(w)  
140.         error = 0.0  
141.         for k in range(len(targets)):  
142.             error = error + 0.5*(targets[k]-self.ao[k])**2  
143.         return error  
144.   
145.     #测试函数，用于测试训练效果  
146.     def test(self, patterns):  
147.         for p in patterns:  
148.             print(p[0], '->', self.update(p[0]))  
149.   
150.     def weights(self):  
151.         print('Input weights:')  
152.         for i in range(self.ni):  
153.             print(self.wi[i])  
154.         print()  
155.         print('Output weights:')  
156.         for j in range(self.nh):  
157.             print(self.wo[j])  
158.   
159.     def train(self, patterns, iterations=1000, N=0.5, M=0.1):  
160.         # N: learning rate  
161.         # M: momentum factor  
162.         for i in range(iterations):  
163.             error = 0.0  
164.             for p in patterns:  
165.                 inputs = p[0]  
166.                 targets = p[1]  
167.                 self.update(inputs)  
168.                 error = error + self.backPropagate(targets, N, M)  
169.             if i % 100 == 0:  
170.                 print('error %-.5f' % error)  
171.   
172.   
173. def demo():  
174.     # Teach network XOR function  
175.     pat = [  
176.         [[0,0], [0]],  
177.         [[0,1], [1]],  
178.         [[1,0], [1]],  
179.         [[1,1], [0]]  
180.     ]  
181.   
182.     # create a network with two input, two hidden, and one output nodes  
183.     n = NN(2, 2, 1)  
184.     # train it with some patterns  
185.     n.train(pat)  
186.     # test it  
187.     n.test(pat)  
188.   
189.   
190.   
191. if __name__ == '__main__':  
192.     demo()  

输出

>>> ================================ RESTART ================================
>>> 
error 0.94250
error 0.04287
error 0.00348
error 0.00164
error 0.00106
error 0.00078
error 0.00125
error 0.00053
error 0.00044
error 0.00038
([0, 0], '->', [0.03668584043139609])
([0, 1], '->', [0.9816625517128087])
([1, 0], '->', [0.9815264813097478])
([1, 1], '->', [-0.03146072993485337])
>>>