基于《神經網絡和深度學習》這本絕好的教材提供的相關資料和代碼,我們自己動手編寫“随機取樣的梯度下降神經網絡”。為了更好地說明問題,我們先從簡單的開始:1、sigmod函數,基本上就是基于定義的;
#########helper函數########
#計算sigmoid,這個函數來自定義
def sigmoid(z):
return 1.0/(1.0+np.exp(-z))
#計算sigmoid的導數,這個函數可以被證明
def sigmoid_prime(z):
return sigmoid(z)*(1 - sigmoid(z))
2、構造函數
###########Main函數########
#使用例子 net = GoNetwork([2, 3, 1])
class GoNetwork(object):
def __init__(self, sizes):#構造函數
self.num_layers = len(sizes)#層數
self.sizes = sizes #每層size
#随機生成子節點
self.biases= [np.random.randn(y, 1) for y in sizes[1:]]
# net.weights[1] 是一個存儲着連接配接第二層和第三層神經元權重的 Numpy 矩陣。
self.weights = [np.random.randn(y, x)
for x, y in zip(sizes[:-1], sizes[1:])]
這個地方有以下幾個地方,一個是在Python中類和類的構造函數是這樣定義的;二個是Python如何展現出其強大的資料處理能力的。
這裡,如果
sizes = [2, 3, 1]
則sizes [1:] = [3,1]
numpy.random.randn(d0, d1, ..., dn)
這個函數的作用就是從标準正态分布中傳回一個或多個樣本值,比如
bbb = [np.random.randn(3, 2)]
表示的是生成3X2的随機序列,可以這樣來使用,就是加上偏置了
2.5 * np.random.randn(2, 4) + 3
傳回:
array([[ 4.128****53, 1.764****44 , 2.732****92, 2.90839231],
[ 0.174****86, 4.92026887, 1.574****66, -0.4305991 ]])
aaa =[ np.random.randn(y, 1) for y in sizes[1:]]
這是一種Python的連寫方法,這裡就是對[3,1]分别生成随機序列。這個随機是用來幹什麼的?就是随機的權值。
描述 zip() 函數用于将可疊代的對象作為參數,将對象中對應的元素打包成一個個元組,然後傳回由這些元組組成的清單
這裡
zip(sizes[:-1], sizes[1:])
表示的是将第1、2層之間,2、3層之間的全連接配接生成随機權值。
3、前向網絡,主要用于測試目前網絡
def feedforward(self,a):
for b,w in zip(self.biases,self.weights):
a = sigmoid(np.dot(w,a)+b)
return a
非常直接的按照定義,進行上一層到下一層的前向計算,注意這裡得到的a也是x行1列的一個矩陣
4、評價函數,基本上也是按照定義進行設定的
def evaluate(self, test_data):
test_results = [(np.argmax(self.feedforward(x)), y)#這裡需要注意feedforward的參數x,實際上它是一個in/out參數。
for (x, y) in test_data]
return sum(int(x == y) for (x, y) in test_results)#做出了正确的預測
這個地方調用了feedforward(x),并且和y進行比較,得到準确比對有哪些。應該說代碼非常精簡。
5、代價函數
#cost代價函數
def cost_derivative(self, output_activations, y):
return (output_activations-y)
以上幾項都是非常好了解的,基本上你看到的立刻就能夠了解,需要補充的知識并不是很多。結合上一課的相關知識,我們這裡提出的所謂随機,就是提取很小的一塊資料,而後進行計算梯度下降參數,更新網絡的權重和偏置
def update_mini_batch(self, mini_batch, eta):
nabla_b = [np.zeros(b.shape) for b in self.biases]#生成b和w形狀的以0填充的矩陣
nabla_w = [np.zeros(w.shape) for w in self.weights]
for x, y in mini_batch:
delta_nabla_b, delta_nabla_w = self.backprop(x, y)#了解反向傳播就是一種快速計算梯度的方法
nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
self.weights = [w-(eta/len(mini_batch))*nw
for w, nw in zip(self.weights, nabla_w)]
self.biases = [b-(eta/len(mini_batch))*nb
for b, nb in zip(self.biases, nabla_b)]
其中
nabla_b = [np.zeros(b.shape) for b in self.biases]
nabla_w = [np.zeros(w.shape) for w in self.weights]
生成b和w形狀的以0填充的矩陣,這裡就是用來填充原始資料的。
在這個小循環裡面,我們可以以“黑箱”的形式來了解backprop函數,就是一種用來計算最快下降梯度的方法。
for x, y in mini_batch:
delta_nabla_b, delta_nabla_w = self.backprop(x, y)
nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
在這裡,我們便曆所有的mini_batch,注意在上面這行代碼中,
而後,引入eta,以這個梯度作為delta_nabla_b, delta_nabla_w 的初始值都為空.
這樣,我們按照定義進行了一次小資料的更新。其能夠完成,是因為backprop為我們成功計算了代價函數的兩個梯度。
6、後向傳播函數,其目的是進行梯度下降計算,是最為複雜的部分
#反向傳播就是一種快速計算代價函數梯度的方法,也就是計算delta的一種方法
def backprop(self, x, y):
#都以空矩陣來進行初始化
nabla_b = [np.zeros(b.shape) for b in self.biases]
# feedforward
activation = x
activations = [x] # list to store all the activations, layer by layer
zs = [] # list to store all the z vectors, layer by layer
for b, w in zip(self.biases, self.weights):
z = np.dot(w, activation)+b #前向傳播
zs.append(z)
activation = sigmoid(z)
activations.append(activation)
# backward pass
delta = self.cost_derivative(activations[-1], y) * \
sigmoid_prime(zs[-1])
nabla_b[-1] = delta
nabla_w[-1] = np.dot(delta, activations[-2].transpose())
for l in range(2, self.num_layers):
z = zs[-l]
sp = sigmoid_prime(z)
delta = np.dot(self.weights[-l+1].transpose(), delta) * sp
nabla_b[-l] = delta
nabla_w[-l] = np.dot(delta, activations[-l-1].transpose())
return (nabla_b, nabla_w)
其中内容比較複雜,一條一條進行解釋
nabla_b = [np.zeros(b.shape) for b in self.biases]
nabla_w = [np.zeros(w.shape) for w in self.weights]
生成空矩陣
# feedforward
前向計算,儲存所有b、w和 z。後面的幾行代碼,主要都是和4個公式嚴格對應的
delta = self.cost_derivative(activations[-1], y) * sigmoid_prime(zs[-1])
對應BP1
nabla_b[-1] = delta
nabla_w[-1] = np.dot(delta, activations[-2].transpose())
分别對應BP3和BP4,就是最後來計算具體的梯度值
delta = np.dot(self.weights[-l+1].transpose(), delta) * sp
對應BP2,反向計算。
7、随機梯度下降算法,到了這裡也就是将上面的合起來
#随機梯度下降算法
def SGD(self, training_data, epochs, mini_batch_size, eta,test_data=None):
training_data = list(training_data)
n = len(training_data)
if test_data:
test_data = list(test_data)
n_test = len(test_data)
#⾸先随機地将訓練資料打亂
for j in range(epochs):
random.shuffle(training_data)
#再将它分成多個适當⼤⼩的⼩批量資料
mini_batches = [
training_data[k:k+mini_batch_size]
for k in range(0, n, mini_batch_size)]
for mini_batch in mini_batches:#最主要的一行代碼
self.update_mini_batch(mini_batch, eta)
if test_data:
print("Epoch {} : {} / {}".format(j,self.evaluate(test_data),n_test))
else:
print("Epoch {} complete".format(j))
主要優化的地方,就是将原較大的資料集分成多個部分,而後周遊所有的部分,進行梯度下降運算,并且列印比較的結果。應該說再次展現了Python強大的內建編碼能力。
來自為知筆記(Wiz)目前方向:圖像拼接融合、圖像識别
聯系方式:[email protected]