Python實(shí)現(xiàn)一個(gè)簡(jiǎn)單三層神經(jīng)網(wǎng)絡(luò)的搭建及測(cè)試 代碼解析
廢話不多說了，直接步入正題，一個(gè)完整的神經(jīng)網(wǎng)絡(luò)一般由三層構(gòu)成：輸入層，隱藏層（可以有多層）和輸出層。本文所構(gòu)建的神經(jīng)網(wǎng)絡(luò)隱藏層只有一層。一個(gè)神經(jīng)網(wǎng)絡(luò)主要由三部分構(gòu)成（代碼結(jié)構(gòu)上）：初始化，訓(xùn)練，和預(yù)測(cè)。首先我們先來初始化這個(gè)神經(jīng)網(wǎng)絡(luò)吧！
1.初始化
- 我們所要初始化的內(nèi)容包括：神經(jīng)網(wǎng)絡(luò)每層上的神經(jīng)元個(gè)數(shù)（這個(gè)是根據(jù)實(shí)際問題輸入輸出而得到的，我們將它設(shè)置為一個(gè)可自定義量）。
- 不同層間數(shù)據(jù)互相傳送的權(quán)重值。
- 激活函數(shù)（模擬自然界的神經(jīng)元，刺激信號(hào)需要達(dá)到一定的程度才能激活神經(jīng)元）
下面上代碼：
def __init__(self, input_nodes_num, hidden_nodes_num, output_nodes_num, lr): # 初始化神經(jīng)元個(gè)數(shù)，可以直接修改 self.input_nodes = input_nodes_num self.hidden_nodes = hidden_nodes_num self.output_nodes = output_nodes_num self.learning_rate = lr # 初始化權(quán)重值，利用正態(tài)分布函數(shù)進(jìn)行隨機(jī)初始化，均值為0，方差為神經(jīng)元個(gè)數(shù)開方 self.w_input_hidden = numpy.random.normal(0.0, pow(self.hidden_nodes, -0.5), (self.hidden_nodes, self.input_nodes)) self.w_hidden_output = numpy.random.normal(0.0, pow(self.output_nodes, -0.5), (self.output_nodes, self.hidden_nodes)) # 初始化激活函數(shù)，激活函數(shù)選用Sigmoid函數(shù)，更加平滑，接近自然界的神經(jīng)元行為模式 # lambda定義了一個(gè)匿名函數(shù) self.activation_function = lambda x: scipy.special.expit(x) pass
下面我們來解釋一下上述代碼段中的一些編程知識(shí)。首先是__init__()它是一個(gè)類的構(gòu)造函數(shù)，在構(gòu)建一個(gè)類的對(duì)象時(shí)會(huì)調(diào)用此函數(shù)，所以我們將神經(jīng)網(wǎng)絡(luò)初始化相關(guān)代碼放到這個(gè)函數(shù)里。
self.w_input_hidden = numpy.random.normal(0.0, pow(self.hidden_nodes, -0.5), (self.hidden_nodes, self.input_nodes))
這句代碼使用了numpy庫中的random.normal()函數(shù)，為輸入層和隱藏層之間的數(shù)據(jù)傳遞初始化了權(quán)重值，這個(gè)函數(shù)會(huì)根據(jù)正態(tài)分布隨機(jī)生成一個(gè)
self.hidden_nodes*self.input_nodes的矩陣（hidden_nodes和input_nodes表示隱藏層和輸入層神經(jīng)元的個(gè)數(shù)）。
self.activation_function = lambda x: scipy.special.expit(x)
這句代碼使用lambda定義了一個(gè)匿名函數(shù)，將它賦值給激活函數(shù)，函數(shù)為sigmoid函數(shù)，是一條平滑的曲線，比較接近自然界神經(jīng)元對(duì)于刺激信號(hào)的反應(yīng)方式。
2.預(yù)測(cè)
按照正常順序，初始化完成后應(yīng)該進(jìn)行訓(xùn)練，但由于訓(xùn)練較為復(fù)雜，且預(yù)測(cè)較為簡(jiǎn)單容易實(shí)現(xiàn)，我們先完成這一部分的代碼。預(yù)測(cè)環(huán)節(jié)需要我們將輸入信息進(jìn)行處理，加權(quán)求和后傳輸給隱藏層神經(jīng)元，經(jīng)過激活函數(shù)并再次加權(quán)求和后，傳輸給輸出層經(jīng)過輸出層神經(jīng)元的處理得到最終的結(jié)果。代碼片段如下：
def query(self, inputs_list): # 轉(zhuǎn)置將行向量轉(zhuǎn)成列向量，將每組數(shù)據(jù)更好的分隔開來，方便后續(xù)矩陣點(diǎn)乘操作 inputs = np.array(inputs_list, ndmin=2).T # 加權(quán)求和后經(jīng)過sigmoid函數(shù)得到隱藏層輸出 hidden_inputs = np.dot(self.w_input_hidden, inputs) hidden_outputs = self.activation_function(hidden_inputs) # 加權(quán)求和后經(jīng)過sigmoid函數(shù)得到最終輸出 final_inputs = np.dot(self.w_hidden_output, hidden_outputs) final_outputs = self.activation_function(final_inputs) # 得到輸出數(shù)據(jù)列 return final_outputs
這段代碼沒有什么好說的，比較簡(jiǎn)單，只需按照筆者上述的步驟做即可。有什么不懂的可以看注釋或者留下評(píng)論。
3.訓(xùn)練
神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題較為復(fù)雜，涉及到神經(jīng)網(wǎng)絡(luò)的正向和反向傳播，微積分的鏈?zhǔn)椒▌t，矩陣運(yùn)算，偏微分求導(dǎo)和梯度下降算法的一些知識(shí)，都是機(jī)器學(xué)習(xí)的一些基礎(chǔ)知識(shí)，在這里就不做過多的贅述，過幾天我會(huì)新發(fā)一篇詳細(xì)講一下。下面來了解一下訓(xùn)練代碼段的主要任務(wù)：
- 訓(xùn)練和預(yù)測(cè)一樣都要首先讀入一些輸入并預(yù)測(cè)輸出，不同的是，訓(xùn)練階段我們是從訓(xùn)練數(shù)據(jù)集中獲取數(shù)據(jù)，我們知道正確的輸出是什么，而預(yù)測(cè)階段我們只知道輸入而輸出需要通過我們訓(xùn)練的模型預(yù)測(cè)出來。首先訓(xùn)練階段讀入輸入并按照當(dāng)前的模型對(duì)其進(jìn)行預(yù)測(cè)。
- 基于訓(xùn)練預(yù)測(cè)結(jié)果和標(biāo)注好的實(shí)際結(jié)果的誤差更新各個(gè)層之間的權(quán)值。
下面來貼代碼：
def train(self, inputs_list, targets_list): # 將訓(xùn)練集和測(cè)試集中的數(shù)據(jù)轉(zhuǎn)化為列向量 inputs = np.array(inputs_list, ndmin=2).T targets = np.array(targets_list, ndmin=2).T # 隱藏層的輸入為訓(xùn)練集與權(quán)重值的點(diǎn)乘，輸出為激活函數(shù)的輸出 hidden_inputs = np.dot(self.w_input_hidden, inputs) hidden_outputs = self.activation_function(hidden_inputs) # 輸出層的輸入為隱藏層的輸出，輸出為最終結(jié)果 final_inputs = np.dot(self.w_hidden_output, hidden_outputs) final_outputs = self.activation_function(final_inputs) # 損失函數(shù) output_errors = targets - final_outputs # 隱藏層的誤差為權(quán)值矩陣的轉(zhuǎn)置與輸出誤差的點(diǎn)乘 hidden_errors = np.dot(self.w_hidden_output.T, output_errors) # 對(duì)權(quán)值進(jìn)行更新 self.w_hidden_output += self.learning_rate * np.dot((output_errors * final_outputs * (1.0 - final_outputs)), np.transpose(hidden_outputs)) self.w_input_hidden += self.learning_rate * np.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), np.transpose(inputs))
上述代碼段可能對(duì)于一些剛接觸機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的同學(xué)來說可能有點(diǎn)不知所云或產(chǎn)生一種好復(fù)雜的感覺，但是這只是對(duì)反向傳播算法，鏈?zhǔn)椒▌t和偏導(dǎo)的綜合應(yīng)用。我會(huì)在另一篇隨筆中講述我的心得（可能講得不好），感興趣的可以看一下。
4.測(cè)試
三層神經(jīng)網(wǎng)絡(luò)構(gòu)建完成，我用mnist訓(xùn)練集和測(cè)試集對(duì)其進(jìn)行了測(cè)試，代碼及結(jié)果如下：
# 初始化各層神經(jīng)元個(gè)數(shù)，期中輸入神經(jīng)元個(gè)數(shù)取決于讀入的因變量，而輸出神經(jīng)元個(gè)數(shù)取決于分類的可能性個(gè)數(shù)
input_nodes = 784
hidden_nodes = 100
output_nodes = 10
# 學(xué)習(xí)率，每次調(diào)整步幅大小
learning_rate = 0.2
n = NeuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)
# 獲取訓(xùn)練集信息
training_data_file = open('data/mnist_train.csv', 'r')
training_data_list = training_data_file.readlines()
training_data_file.close()
for record in training_data_list:
all_values = record.split(',')
inputs = (numpy.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
targets = numpy.zeros(output_nodes) + 0.01
targets[int(all_values[0])] = 0.99
n.train(inputs, targets)
pass
print('train successful!')
test_file = open('data/mnist_test.csv', 'r')
test_list = test_file.readlines()
test_file.close()
m = np.size(test_list)
j = 0.0
for record in test_list:
test_values = record.split(',')
np.asfarray(test_values)
results = n.query(np.asfarray(test_values[1:]))
if results[int(test_values[0])] == max(results):
j += 1
pass
print("正確率為；" + str(j/m))
到此這篇關(guān)于Python實(shí)現(xiàn)一個(gè)簡(jiǎn)單三層神經(jīng)網(wǎng)絡(luò)的搭建及測(cè)試 代碼解析的文章就介紹到這了,更多相關(guān)Python實(shí)現(xiàn)三層神經(jīng)網(wǎng)絡(luò)的搭建及測(cè)試內(nèi)容請(qǐng)搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場(chǎng)，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信