numpy實現神經網路反向傳播演算法的步驟
阿新 • • 發佈:2020-01-09
一、任務
實現一個4 層的全連線網路實現二分類任務,網路輸入節點數為2,隱藏層的節點數設計為:25,50,25,輸出層2 個節點,分別表示屬於類別1 的概率和類別2 的概率,如圖所示。我們並沒有採用Softmax 函式將網路輸出概率值之和進行約束,而是直接利用均方差誤差函式計算與One-hot 編碼的真實標籤之間的誤差,所有的網路啟用函式全部採用Sigmoid 函式,這些設計都是為了能直接利用梯度推導公式。
二、資料集
通過scikit-learn 庫提供的便捷工具生成2000 個線性不可分的2 分類資料集,資料的特徵長度為2,取樣出的資料分佈如圖 所示,所有的紅色點為一類,所有的藍色點為一類,可以看到資料的分佈呈月牙狀,並且是是線性不可分的,無法用線性網路獲得較好效果。為了測試網路的效能,按照7: 3比例切分訓練集和測試集,其中2000 ∗ 0 3 =600個樣本點用於測試,不參與訓練,剩下的1400 個點用於網路的訓練。
import matplotlib.pyplot as plt import seaborn as sns #要注意的是一旦匯入了seaborn,matplotlib的預設作圖風格就會被覆蓋成seaborn的格式 from sklearn.datasets import make_moons from sklearn.model_selection import train_test_split N_SAMPLES = 2000 # 取樣點數 TEST_SIZE = 0.3 # 測試數量比率 # 利用工具函式直接生成資料集 X,y = make_moons(n_samples = N_SAMPLES,noise=0.2,random_state=100) # 將2000 個點按著7:3 分割為訓練集和測試集 X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=TEST_SIZE,random_state=42) print(X.shape,y.shape) # 繪製資料集的分佈,X 為2D 座標,y 為資料點的標籤 def make_plot(X,plot_name,file_name=None,XX=None,YY=None,preds=None,dark=False): if (dark): plt.style.use('dark_background') else: sns.set_style("whitegrid") plt.figure(figsize=(16,12)) axes = plt.gca() axes.set(xlabel="$x_1$",ylabel="$x_2$") plt.title(plot_name,fontsize=30) plt.subplots_adjust(left=0.20) plt.subplots_adjust(right=0.80) if(XX is not None and YY is not None and preds is not None): plt.contourf(XX,YY,preds.reshape(XX.shape),25,alpha = 1,cmap=plt.cm.Spectral) plt.contour(XX,levels=[.5],cmap="Greys",vmin=0,vmax=.6) # 繪製散點圖,根據標籤區分顏色 plt.scatter(X[:,0],X[:,1],c=y.ravel(),s=40,cmap=plt.cm.Spectral,edgecolors='none') plt.savefig('dataset.svg') plt.close() # 呼叫make_plot 函式繪製資料的分佈,其中X 為2D 座標,y 為標籤 make_plot(X,"Classification Dataset Visualization ") plt.show()
三、網路層
通過新建類Layer 實現一個網路層,需要傳入網路層的資料節點數,輸出節點數,啟用函式型別等引數,權值weights 和偏置張量bias 在初始化時根據輸入、輸出節點數自動生成並初始化:
class Layer: # 全連線網路層 def __init__(self,n_input,n_neurons,activation=None,weights=None,bias=None): """ :param int n_input: 輸入節點數 :param int n_neurons: 輸出節點數 :param str activation: 啟用函式型別 :param weights: 權值張量,預設類內部生成 :param bias: 偏置,預設類內部生成 """ # 通過正態分佈初始化網路權值,初始化非常重要,不合適的初始化將導致網路不收斂 self.weights = weights if weights is not None else np.random.randn(n_input,n_neurons) * np.sqrt(1 / n_neurons) self.bias = bias if bias is not None else np.random.rand(n_neurons) *0.1 self.activation = activation # 啟用函式型別,如'sigmoid' self.last_activation = None # 啟用函式的輸出值o self.error = None # 用於計算當前層的delta 變數的中間變數 self.delta = None # 記錄當前層的delta 變數,用於計算梯度 def activate(self,x): # 前向傳播 r = np.dot(x,self.weights) + self.bias # X@W+b # 通過啟用函式,得到全連線層的輸出o self.last_activation = self._apply_activation(r) return self.last_activation # 其中self._apply_activation 實現了不同的啟用函式的前向計算過程: def _apply_activation(self,r): # 計算啟用函式的輸出 if self.activation is None: return r # 無啟用函式,直接返回 # ReLU 啟用函式 elif self.activation == 'relu': return np.maximum(r,0) # tanh elif self.activation == 'tanh': return np.tanh(r) # sigmoid elif self.activation == 'sigmoid': return 1 / (1 + np.exp(-r)) return r # 針對於不同的啟用函式,它們的導數計算實現如下: def apply_activation_derivative(self,r): # 計算啟用函式的導數 # 無啟用函式,導數為1 if self.activation is None: return np.ones_like(r) # ReLU 函式的導數實現 elif self.activation == 'relu': grad = np.array(r,copy=True) grad[r > 0] = 1. grad[r <= 0] = 0. return grad # tanh 函式的導數實現 elif self.activation == 'tanh': return 1 - r ** 2 # Sigmoid 函式的導數實現 elif self.activation == 'sigmoid': return r * (1 - r) return r
四、網路模型
完成單層網路類後,再實現網路模型的類NeuralNetwork,它內部維護各層的網路層Layer 類物件,可以通過add_layer 函式追加網路層,實現如下:
class NeuralNetwork: # 神經網路大類 def __init__(self): self._layers = [] # 網路層物件列表 def add_layer(self,layer): # 追加網路層 self._layers.append(layer) # 網路的前向傳播只需要迴圈呼叫個網路層物件的前向計算函式即可 def feed_forward(self,X): # 前向傳播 for layer in self._layers: # 依次通過各個網路層 X = layer.activate(X) return X #網路模型的反向傳播實現稍複雜,需要從最末層開始,計算每層的𝛿變數,根據我們 #推導的梯度公式,將計算出的𝛿變數儲存在Layer類的delta變數中 # 因此,在backpropagation 函式中,反向計算每層的𝛿變數,並根據梯度公式計算每層引數的梯度值, # 按著梯度下降演算法完成一次引數的更新。 def backpropagation(self,X,learning_rate): # 反向傳播演算法實現 # 前向計算,得到輸出值 output = self.feed_forward(X) for i in reversed(range(len(self._layers))): # 反向迴圈 layer = self._layers[i] # 得到當前層物件 # 如果是輸出層 if layer == self._layers[-1]: # 對於輸出層 layer.error = y - output # 計算2 分類任務的均方差的導數 # 關鍵步驟:計算最後一層的delta,參考輸出層的梯度公式 layer.delta = layer.error * layer.apply_activation_derivative(output) else: # 如果是隱藏層 next_layer = self._layers[i + 1] # 得到下一層物件 layer.error = np.dot(next_layer.weights,next_layer.delta) # 關鍵步驟:計算隱藏層的delta,參考隱藏層的梯度公式 layer.delta = layer.error * layer.apply_activation_derivative(layer.last_activation) # 在反向計算完每層的𝛿變數後,只需要按著式計算每層的梯度,並更新網路引數即可。 # 由於程式碼中的delta 計算的是−𝛿,因此更新時使用了加號。 # 迴圈更新權值 for i in range(len(self._layers)): layer = self._layers[i] # o_i 為上一網路層的輸出 o_i = np.atleast_2d(X if i == 0 else self._layers[i-1].last_activation) # 梯度下降演算法,delta 是公式中的負數,故這裡用加號 layer.weights += layer.delta * o_i.T * learning_rate def train(self,X_train,y_test,learning_rate,max_epochs): # 網路訓練函式 # one-hot 編碼 y_onehot = np.zeros((y_train.shape[0],2)) y_onehot[np.arange(y_train.shape[0]),y_train] = 1 mses = [] for i in range(max_epochs): # 訓練1000 個epoch for j in range(len(X_train)): # 一次訓練一個樣本 self.backpropagation(X_train[j],y_onehot[j],learning_rate) if i % 10 == 0: # 打印出MSE Loss mse = np.mean(np.square(y_onehot - self.feed_forward(X_train))) mses.append(mse) print('Epoch: #%s,MSE: %f' % (i,float(mse))) # 統計並列印準確率 print('Accuracy: %.2f%%' % (self.accuracy(self.predict(X_test),y_test.flatten()) * 100)) return mses def accuracy(self,y_pre,y_true): return np.mean((np.argmax(y_pre,axis=1) == y_true)) def predict(self,X_test): return self.feed_forward(X_test)
五、例項化NeuralNetwork類,進行訓練
nn = NeuralNetwork() # 例項化網路類 nn.add_layer(Layer(2,'sigmoid')) # 隱藏層1,2=>25 nn.add_layer(Layer(25,'sigmoid')) # 隱藏層2,25=>50 nn.add_layer(Layer(50,'sigmoid')) # 隱藏層3,50=>25 nn.add_layer(Layer(25,2,'sigmoid')) # 輸出層,25=>2 learning_rate = 0.01 max_epochs = 1000 nn.train(X_train,max_epochs)
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。