《機(jī)器學(xué)習(xí)-Python實(shí)戰(zhàn)（微課版）》課件 第十二章 神經(jīng)網(wǎng)絡(luò)

第十二章：神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)通過(guò)本章的學(xué)習(xí)，你將能夠：掌握神經(jīng)網(wǎng)絡(luò)算法的基本概念；掌握主要神經(jīng)網(wǎng)絡(luò)算法模型；掌握數(shù)字?jǐn)?shù)據(jù)的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)與預(yù)測(cè)。

1.神經(jīng)網(wǎng)絡(luò)入門(mén)2.

神經(jīng)網(wǎng)絡(luò)基本理論3.

BP神經(jīng)網(wǎng)絡(luò)算法4.神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)5.從人工神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（1）從人類神經(jīng)元到神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)（2）目前，關(guān)于神經(jīng)網(wǎng)絡(luò)的定義尚不統(tǒng)一，按美國(guó)神經(jīng)網(wǎng)絡(luò)學(xué)家HechtNielsen的觀點(diǎn)，神經(jīng)網(wǎng)絡(luò)的定義是：“神經(jīng)網(wǎng)絡(luò)是由多個(gè)非常簡(jiǎn)單的處理單元彼此按某種方式相互連接而形成的計(jì)算機(jī)系統(tǒng)，該系統(tǒng)靠其狀態(tài)對(duì)外部輸入信息的動(dòng)態(tài)響應(yīng)來(lái)處理信息”。綜合神經(jīng)網(wǎng)絡(luò)的來(lái)源、特點(diǎn)和各種解釋，它可簡(jiǎn)單地表述為：人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)）：是由人工神經(jīng)元互連組成的網(wǎng)絡(luò)，它是從微觀結(jié)構(gòu)和功能上對(duì)人腦的抽象、簡(jiǎn)化，是模擬人類智能的一條重要途徑，反映了人腦功能的若干基本特征，如并行信息處理、學(xué)習(xí)、聯(lián)想、模式分類、記憶等。神經(jīng)網(wǎng)絡(luò)入門(mén)（1）

輸入可以類比為神經(jīng)元的樹(shù)突，而輸出可以類比為神經(jīng)元的軸突，計(jì)算則可以類比為細(xì)胞核。包含有3個(gè)輸入，1個(gè)輸出，以及2個(gè)計(jì)算功能，中間的箭頭線這些線稱為“連接”每，個(gè)上有一個(gè)“權(quán)值”。神經(jīng)網(wǎng)絡(luò)入門(mén)（2）

感知器模型，在原來(lái)MP模型的“輸入”位置添加神經(jīng)元節(jié)點(diǎn)，標(biāo)志其為“輸入單元”。其余不變，我們將權(quán)值w1,w2,w3寫(xiě)到“連接線”的中間。神經(jīng)網(wǎng)絡(luò)入門(mén)（3）輸入層里的輸入單元只負(fù)責(zé)傳輸數(shù)據(jù)，不做計(jì)算；輸出層里的輸出單元?jiǎng)t需要對(duì)前面一層的輸入進(jìn)行計(jì)算。把需要計(jì)算的層次稱之為計(jì)算層，并把擁有一個(gè)計(jì)算層的網(wǎng)絡(luò)稱之為單層神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)入門(mén)（4）假如我們要預(yù)測(cè)的目標(biāo)不再是一個(gè)值，而是一個(gè)向量，例如[2，3]。那么可以在輸出層再增加一個(gè)輸出單元。神經(jīng)網(wǎng)絡(luò)入門(mén)（5）可以看到，z1的計(jì)算跟原先的z并沒(méi)有區(qū)別，我們已知一個(gè)神經(jīng)元的輸出可以向多個(gè)神經(jīng)元傳遞，因此z2的計(jì)算公式如圖所示：神經(jīng)網(wǎng)絡(luò)入門(mén)（6）可以看到，z2的計(jì)算中除了三個(gè)新的權(quán)值：w4，w5，w6以外，其他與z1是一樣的。整個(gè)網(wǎng)絡(luò)的輸出如圖所示。神經(jīng)網(wǎng)絡(luò)入門(mén)（7）W1,2代表后一層的第1個(gè)神經(jīng)元與前一層的第2個(gè)神經(jīng)元的連接的權(quán)值。根據(jù)以上方法標(biāo)記，如圖所示：神經(jīng)網(wǎng)絡(luò)入門(mén)（8）上面的決策過(guò)程，使用數(shù)學(xué)表達(dá)如下:1.神經(jīng)網(wǎng)絡(luò)入門(mén)2.

神經(jīng)網(wǎng)絡(luò)基本理論3.

BP神經(jīng)網(wǎng)絡(luò)算法4.神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)5.從人工神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)激活函數(shù)

激活函數(shù)（Activationfunctions）對(duì)于神經(jīng)網(wǎng)絡(luò)模型去學(xué)習(xí)、理解非常復(fù)雜和非線性的函數(shù)來(lái)說(shuō)具有十分重要的作用，激活函數(shù)的存在將非線性特性引入到我們的網(wǎng)絡(luò)中。如果我們不運(yùn)用激活函數(shù)，則輸出信號(hào)將僅僅是一個(gè)簡(jiǎn)單的線性函數(shù)。線性函數(shù)的復(fù)雜性有限，從數(shù)據(jù)中學(xué)習(xí)復(fù)雜函數(shù)映射的能力更小。Sigmoid函數(shù)tanh函數(shù)sigmoid函數(shù)和tanh函數(shù)都存在一個(gè)問(wèn)題：當(dāng)神經(jīng)網(wǎng)絡(luò)的層數(shù)增多的時(shí)候，由于在進(jìn)行反向傳播的時(shí)候，鏈?zhǔn)角髮?dǎo)，多項(xiàng)相乘，函數(shù)進(jìn)入飽和區(qū)（導(dǎo)數(shù)接近于零的地方）就會(huì)逐層傳遞，這種現(xiàn)象被稱為梯度消失。RectifiedLinearUnit(ReLU)函數(shù)

映射區(qū)間：[0，+∞），雖然ReLU函數(shù)大于零的部分和小于零的部分分別都是線性函數(shù)，但是整體并不是線性函數(shù)，所以仍然可以做為激活函數(shù)，ReLU函數(shù)其實(shí)是分段線性函數(shù)，把所有的負(fù)值都變?yōu)?，而正值不變，這種操作被成為單側(cè)抑制。ReLU函數(shù)優(yōu)點(diǎn)

大腦方面的研究表明生物神經(jīng)元的信息編碼通常是比較分散及稀疏的。通常情況下，大腦中在同一時(shí)間大概只有1%-4%的神經(jīng)元處于活躍狀態(tài)。使用線性修正以及正則化（regularization）可以對(duì)機(jī)器神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的活躍度（即輸出為正值）進(jìn)行調(diào)試；相比之下，邏輯函數(shù)在輸入為0時(shí)達(dá)到1/2,即已經(jīng)是半飽和的穩(wěn)定狀態(tài)，不夠符合實(shí)際生物學(xué)對(duì)模擬神經(jīng)網(wǎng)絡(luò)的期望。不過(guò)需要指出的是，一般情況下，在一個(gè)使用修正線性單元（即線性整流）的神經(jīng)網(wǎng)絡(luò)中大概有50%的神經(jīng)元處于激活態(tài)；Softmax函數(shù)Softmax函數(shù)體：Softmax函數(shù)的功能就是將一個(gè)K維的任意實(shí)數(shù)向量映射成另一個(gè)K維的實(shí)數(shù)向量，其中向量中的每個(gè)元素取值都介于（0，1）之間。新的向量所有維度模長(zhǎng)之和為1。Softmax函數(shù)經(jīng)常用作多分類任務(wù)的輸出層。梯度下降與損失函數(shù)損失函數(shù)的極值深度學(xué)習(xí)中常用的損失函數(shù)二次代價(jià)函數(shù)：交叉熵代價(jià)函數(shù)：交叉熵誤差刻畫(huà)了兩個(gè)概率分布之間的距離，是分類問(wèn)題中使用較多的一種損失函數(shù)。一般二次代價(jià)函數(shù)更多得用于回歸問(wèn)題，而交叉熵誤差更多的用于分類問(wèn)題。全局梯度下降算法(BGD)隨機(jī)梯度下降算法(SGD)小批量梯度下降(MBGD)梯度下降與損失函數(shù)更加有效率的梯度下降以及反向傳播：避免了梯度爆炸和梯度消失問(wèn)題；簡(jiǎn)化計(jì)算過(guò)程：沒(méi)有了其他復(fù)雜激活函數(shù)中諸如指數(shù)函數(shù)的影響；同時(shí)活躍度的分散性使得神經(jīng)網(wǎng)絡(luò)整體計(jì)算成本下降。因?yàn)榫€性模型的表達(dá)能力不夠，引入激活函數(shù)是為了添加非線性因素；然后發(fā)展出了很多的激活函數(shù)適用于各種模型的訓(xùn)練；RELU函數(shù)的引入給神經(jīng)網(wǎng)絡(luò)增加了生物學(xué)特性，可以稱為靈魂激活函數(shù)。全連接網(wǎng)絡(luò)（Fully-ConnectedNetwork）簡(jiǎn)寫(xiě)為FCN，但很容易和全卷積網(wǎng)絡(luò)（Fully-ConvolutionalNetwork）的簡(jiǎn)寫(xiě)搞混，要注意，結(jié)構(gòu)如圖所示：神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)-全連接網(wǎng)絡(luò)（1）

神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)-全連接網(wǎng)絡(luò)（2）

如果增加hiddenlayer的層數(shù)，就能使它成為深度全連接神經(jīng)網(wǎng)絡(luò)：每相鄰兩層之間，每個(gè)神經(jīng)元的輸入都是將前一層的輸出按照連邊的權(quán)值加權(quán)求和。輸入層往往是例外，輸入層各神經(jīng)元是直接將輸入作為神經(jīng)元的輸出。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)-卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）

用卷積、池化操作代替加權(quán)求和，是卷積神經(jīng)網(wǎng)絡(luò)對(duì)全連接網(wǎng)絡(luò)的一個(gè)改進(jìn)。由于權(quán)值共享，降低了參數(shù)數(shù)量，縮小了解空間，有利于提取泛化特征，有效緩解了過(guò)擬合。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)-循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）它不僅有層間連接，還有層內(nèi)連接。而這個(gè)層內(nèi)連接的權(quán)值也是共享的，用于提取序列信息，有一定的記憶功能。在自然語(yǔ)言處理等領(lǐng)域有應(yīng)用。神經(jīng)網(wǎng)絡(luò)的主要類型-前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)是指神經(jīng)元分層排列，分別組成輸入層、中間層和輸出層。每一層的神經(jīng)元只接受來(lái)自前一層神經(jīng)元的輸入，后面的層對(duì)前面層沒(méi)有信號(hào)反饋。輸入模式經(jīng)過(guò)各層的順序傳播，最后在輸出層上得到輸出。這類網(wǎng)絡(luò)結(jié)構(gòu)通常適于預(yù)測(cè)、模式識(shí)別及非線性函數(shù)逼近，一般典型的前向神經(jīng)網(wǎng)絡(luò)基于梯度算法的神經(jīng)網(wǎng)絡(luò)如BP網(wǎng)絡(luò)，最優(yōu)正則化方法如SVM，徑向基神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的主要類型-反饋網(wǎng)絡(luò)

反饋網(wǎng)絡(luò)，又稱回歸網(wǎng)絡(luò)，輸入信號(hào)決定反饋系統(tǒng)的初始狀態(tài)，系統(tǒng)經(jīng)過(guò)一系列狀態(tài)轉(zhuǎn)移后逐漸收斂于平衡狀態(tài)，因此，穩(wěn)定性是反饋網(wǎng)絡(luò)最重要的指標(biāo)之一，比較典型的是感知器網(wǎng)絡(luò)、Hopfield神經(jīng)網(wǎng)絡(luò)、海明祌經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)雙向聯(lián)系存儲(chǔ)網(wǎng)絡(luò)(BAM)、波耳茲曼機(jī)。自組織神經(jīng)網(wǎng)絡(luò)是無(wú)教師學(xué)習(xí)網(wǎng)絡(luò)，它模擬人腦行為，根據(jù)過(guò)去經(jīng)驗(yàn)自動(dòng)適應(yīng)無(wú)法預(yù)測(cè)的環(huán)境變化，由于無(wú)教師信號(hào)，這類網(wǎng)絡(luò)通常采用競(jìng)爭(zhēng)原則進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的特點(diǎn)（1）人工神經(jīng)網(wǎng)絡(luò)特點(diǎn)：（1）人工神經(jīng)網(wǎng)絡(luò)(ANN)為廣泛連接的巨型系統(tǒng)。神經(jīng)科學(xué)研究表明，人類中樞神經(jīng)的主要部分大腦皮層由數(shù)百億個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元共有若干個(gè)突觸，突觸為神經(jīng)元之間的結(jié)合部，決定神經(jīng)元之間的連接強(qiáng)度與性質(zhì)。這表明大腦皮層是一個(gè)廣泛連接的巨型復(fù)雜系統(tǒng)，ANN的連接機(jī)制模仿了人腦的這一特性。（2）人工神經(jīng)網(wǎng)絡(luò)(ANN)有其并行結(jié)構(gòu)和并行處理機(jī)制。ANN不但結(jié)構(gòu)上是并行的，它的處理順序也是并行的和同時(shí)的。在同一層內(nèi)處理單元都是同時(shí)操作的，即神經(jīng)網(wǎng)絡(luò)的計(jì)算功能分布在多個(gè)處理單元上。神經(jīng)網(wǎng)絡(luò)的特點(diǎn)（2）（3）人工神經(jīng)網(wǎng)絡(luò)(ANN)的分布式結(jié)構(gòu)使其具有和人腦一樣的容錯(cuò)性和聯(lián)想能力。大腦具有很強(qiáng)的容錯(cuò)能力。我們知道，每天都有大腦細(xì)胞死去，但并沒(méi)有影響人們的記憶和思考能力。這正是因?yàn)榇竽X對(duì)信息的存儲(chǔ)是通過(guò)改變突觸的功能實(shí)現(xiàn)的，信息存儲(chǔ)于神經(jīng)元連接強(qiáng)度的分布上，存儲(chǔ)區(qū)和操作區(qū)合二為一，不同信息之間自然溝通，其處理也為大規(guī)模連續(xù)時(shí)間模式。而存儲(chǔ)知識(shí)的獲得采用“聯(lián)想”的辦法。這類似人類和動(dòng)物的聯(lián)想記憶，當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)輸入一個(gè)激勵(lì)時(shí)，它要在已存儲(chǔ)的知識(shí)中尋找與輸入匹配最好的存儲(chǔ)知識(shí)為其解。神經(jīng)網(wǎng)絡(luò)的特點(diǎn)（3）（4）人工神經(jīng)網(wǎng)絡(luò)(ANN)具有自學(xué)習(xí)、自組織、自適應(yīng)能力。大腦功能受先天因素的制約，但后天因素（如經(jīng)歷、學(xué)習(xí)和訓(xùn)練等）也起著重要作用。ANN很好地模擬了人腦的這一特性。如果最后的輸出不正確，系統(tǒng)可以調(diào)整加到每個(gè)輸入上去的權(quán)重以產(chǎn)生一個(gè)新的結(jié)果，這可以通過(guò)一定的訓(xùn)練算法來(lái)實(shí)現(xiàn)。訓(xùn)練過(guò)程是復(fù)雜的，通過(guò)網(wǎng)絡(luò)進(jìn)行重復(fù)地輸入數(shù)據(jù)，且每次都調(diào)整權(quán)重以改善結(jié)果，最終達(dá)到所希望的輸出。在訓(xùn)練過(guò)程中網(wǎng)絡(luò)便得到了經(jīng)驗(yàn)。理論研究表明，選擇合適的ANN能夠?qū)崿F(xiàn)任何連續(xù)映射，通過(guò)對(duì)樣本的學(xué)習(xí)，ANN表現(xiàn)出分類、概括和聯(lián)想的能力。1.神經(jīng)網(wǎng)絡(luò)入門(mén)2.

神經(jīng)網(wǎng)絡(luò)基本理論3.

BP神經(jīng)網(wǎng)絡(luò)算法4.神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)5.從人工神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)(backpropagationneuralnetwork)是神經(jīng)網(wǎng)絡(luò)的一種經(jīng)典結(jié)構(gòu)，因?yàn)槠浣Y(jié)構(gòu)和訓(xùn)練相對(duì)簡(jiǎn)單，是我們學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)時(shí)的入門(mén)算法。BP神經(jīng)網(wǎng)絡(luò)包含了特定的模型和特定的訓(xùn)練算法。BP算法的網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練方式（1）采用非線性激活函數(shù)，Sigmoid函數(shù)。三個(gè)層次分別是：輸入層（InputLayer）,隱藏層（HiddenLayer）和輸出層（Outputlayer），就好比神經(jīng)網(wǎng)絡(luò)的各個(gè)神經(jīng)元具有不同功能一樣。輸入層：負(fù)責(zé)接收外界刺激，即外部數(shù)據(jù)。隱藏層：又叫可多層，負(fù)責(zé)增加計(jì)算能力，以解決困難問(wèn)題。但隱藏層神經(jīng)元不能無(wú)限增加，否則會(huì)出現(xiàn)過(guò)擬合現(xiàn)象。輸出層：又稱為決策層，負(fù)責(zé)進(jìn)行決策。BP算法的網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練方式（2）

一般來(lái)說(shuō)，當(dāng)數(shù)據(jù)和決策問(wèn)題確定之后，輸入層和輸出層的節(jié)點(diǎn)個(gè)數(shù)是固定的，唯一可變的是隱藏層。層與層之間是通過(guò)神經(jīng)鍵（權(quán)重）完成連接。訓(xùn)練好之后的BP神經(jīng)網(wǎng)路模型是前饋的（feedforward），但在進(jìn)行模型訓(xùn)練的時(shí)候是從輸出層到輸入層，是反饋的（即：TrainBackward），BP算法網(wǎng)絡(luò)結(jié)構(gòu)如圖反向傳播算法（1）反向傳播算法（2）反向傳播算法（3）反向傳播算法（4）

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的具體流程如下：（1）網(wǎng)絡(luò)初始化。對(duì)各連接權(quán)值和閾值分別賦予(0,1)區(qū)間的數(shù)值，設(shè)定誤差函數(shù)，給定計(jì)算精度值；（2）計(jì)算隱含層各神經(jīng)節(jié)點(diǎn)的輸入和輸出；（3）計(jì)算輸出層各神經(jīng)節(jié)點(diǎn)的輸入和輸出；（4）計(jì)算BP神經(jīng)網(wǎng)絡(luò)連接到輸出層各神經(jīng)元節(jié)點(diǎn)的權(quán)值誤差；（5）計(jì)算BP神經(jīng)網(wǎng)絡(luò)連接到隱含層各神經(jīng)元節(jié)點(diǎn)的權(quán)值誤差；（6）反向調(diào)整BP神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值和閾值；（7）計(jì)算實(shí)際輸出值和期望輸出值的誤差，若滿足設(shè)定的精度值，則結(jié)束學(xué)習(xí)，否則繼續(xù)從步驟（2）逐步進(jìn)行學(xué)習(xí)

BP算法的演示舉例（1）

典型的三層神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成是輸入層、隱含層、輸出層，我們現(xiàn)在手里有一堆數(shù)據(jù){x1,x2,x3,…,xn},輸出也是一堆數(shù)據(jù){y1,y2,y3,…,yn},現(xiàn)在要他們?cè)陔[含層做某種變換，把數(shù)據(jù)灌進(jìn)去后得到你期望的輸出。假設(shè)，你有這樣一個(gè)網(wǎng)絡(luò)層如圖所示：

BP算法的演示舉例（2）

第一層是輸入層，包含兩個(gè)神經(jīng)元i1，i2，和截距項(xiàng)b1；第二層是隱含層，包含兩個(gè)神經(jīng)元h1,h2和截距項(xiàng)b2，第三層是輸出o1,o2，每條線上標(biāo)的wi是層與層之間連接的權(quán)重，激活函數(shù)我們默認(rèn)為sigmoid函數(shù)?，F(xiàn)在對(duì)他們賦上初值如圖，所示：

BP算法的演示舉例（3）其中，輸入數(shù)據(jù)

i1=0.05，i2=0.10;輸出數(shù)據(jù)o1=0.01,o2=0.99;初始權(quán)重

w1=0.15,w2=0.20,w3=0.25,w4=0.30;

w5=0.40,w6=0.45,w7=0.50,w8=0.55目標(biāo)：給出輸入數(shù)據(jù)i1,i2(0.05和0.10)，使輸出盡可能與原始輸出o1,o2(0.01和0.99)接近。

BP算法的演示舉例（4）

BP算法的演示舉例（5）2.隱含層—->輸出層：計(jì)算輸出層神經(jīng)元o1和o2的值：

BP算法的演示舉例（6）Step2反向傳播1.計(jì)算總誤差

BP算法的演示舉例（7）

BP算法的演示舉例（8）如圖所示可以更直觀的看清楚誤差是怎樣反向傳播的：

BP算法的演示舉例（9）

BP算法的演示舉例（10）

BP算法的演示舉例（11）

BP算法的演示舉例（12）

BP算法的演示舉例（13）3.隱含層—->隱含層的權(quán)值更新：方法其實(shí)與上面說(shuō)的差不多，但是有個(gè)地方需要變一下，在上文計(jì)算總誤差對(duì)w5的偏導(dǎo)時(shí)，是從out(o1)—->net(o1)—->w5,但是在隱含層之間的權(quán)值更新時(shí)，是out(h1)—->net(h1)—->w1,而out(h1)會(huì)接受E(o1)和E(o2)兩個(gè)地方傳來(lái)的誤差，所以這個(gè)地方兩個(gè)都要計(jì)算，如圖所示。

BP算法的演示舉例（14）1.神經(jīng)網(wǎng)絡(luò)入門(mén)2.

神經(jīng)網(wǎng)絡(luò)基本理論3.

BP神經(jīng)網(wǎng)絡(luò)算法4.神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)5.從人工神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（1）

#數(shù)據(jù)讀取：defloaddataset(filename):

fp=open(filename)

#存放數(shù)據(jù):dataset=[]#存放標(biāo)簽:labelset=[] foriinfp.readlines(): a=i.strip().split()

#每個(gè)數(shù)據(jù)行的最后一個(gè)是標(biāo)簽:

dataset.append([float(j)forjina[:len(a)-1]]) labelset.append(int(float(a[-1]))) returndataset,labelset

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（2）初始化各個(gè)參數(shù)：#x為輸入層神經(jīng)元個(gè)數(shù)，y為隱層神經(jīng)元個(gè)數(shù)，z輸出層神經(jīng)元個(gè)數(shù)defparameter_initialization(x,y,z):#隱層閾值value1=np.random.randint(-5,5,(1,y)).astype(np.float64)

#輸出層閾值value2=np.random.randint(-5,5,(1,z)).astype(np.float64)

#輸入層與隱層的連接權(quán)重weight1=np.random.randint(-5,5,(x,y)).astype(np.float64)#隱層與輸出層的連接權(quán)重weight2=np.random.randint(-5,5,(y,z)).astype(np.float64)

returnweight1,weight2,value1,value2

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（3）對(duì)數(shù)幾率函數(shù)（sigmoid函數(shù)）：defsigmoid(z):

return1/(1+np.exp(-z))訓(xùn)練過(guò)程（參數(shù)調(diào)整過(guò)程）：weight1:輸入層與隱層的連接權(quán)重weight2:隱層與輸出層的連接權(quán)重value1:隱層閾值value2:輸出層閾值'''deftrainning(dataset,labelset,weight1,weight2,value1,value2): #x為步長(zhǎng) x=0.01 foriinrange(len(dataset)):

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（4）#輸入數(shù)據(jù) inputset=np.mat(dataset[i]).astype(np.float64) #數(shù)據(jù)標(biāo)簽 outputset=np.mat(labelset[i]).astype(np.float64) #隱層輸入 input1=np.dot(inputset,weight1).astype(np.float64) #隱層輸出 output2=sigmoid(input1-value1).astype(np.float64) #輸出層輸入 input2=np.dot(output2,weight2).astype(np.float64)

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（5）#輸出層輸出output3=sigmoid(input2-value2).astype(np.float64)#更新公式由矩陣運(yùn)算表示 a=np.multiply(output3,1-output3) g=np.multiply(a,outputset-output3) b=np.dot(g,np.transpose(weight2)) c=np.multiply(output2,1-output2) e=np.multiply(b,c) value1_change=-x*e value2_change=-x*g

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（6）weight1_change=x*np.dot(np.transpose(inputset),e)weight2_change=x*np.dot(np.transpose(output2),g)#更新參數(shù) value1+=value1_change value2+=value2_change weight1+=weight1_change weight2+=weight2_change returnweight1,weight2,value1,value2

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（7）

測(cè)試：deftesting(dataset,labelset,weight1,weight2,value1,value2): #記錄預(yù)測(cè)正確的個(gè)數(shù)rightcount=0foriinrange(len(dataset)):#計(jì)算每一個(gè)樣例通過(guò)該神經(jīng)網(wǎng)路后的預(yù)測(cè)值 inputset=np.mat(dataset[i]).astype(np.float64) outputset=np.mat(labelset[i]).astype(np.float64)output2=sigmoid(np.dot(inputset,weight1)-value1) output3=sigmoid(np.dot(output2,weight2)-value2)

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（8）#確定其預(yù)測(cè)標(biāo)簽

ifoutput3>0.5:

flag=1

else:

flag=0

iflabelset[i]==flag:

rightcount+=1#輸出預(yù)測(cè)結(jié)果 print("預(yù)測(cè)為%d實(shí)際為%d"%(flag,labelset[i]))#返回正確率 returnrightcount/len(dataset)

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（9）主函數(shù)：if__name__=='__main__': dataset,labelset=loaddataset('/horseColicTraining.txt') weight1,weight2,value1,value2=parameter_initialization(len(dataset[0]),len(dataset[0]),1) foriinrange(1500): weight1,weight2,value1,value2=trainning(dataset,labelset,weight1,weight2,value1,value2) rate=testing(dataset,labelset,weight1,weight2,value1,value2) print("正確率為%f"%(rate))

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（10）

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（11）運(yùn)行后如圖所示：

神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)（12）1.神經(jīng)網(wǎng)絡(luò)入門(mén)2.

神經(jīng)網(wǎng)絡(luò)基本理論3.

BP神經(jīng)網(wǎng)絡(luò)算法4.神經(jīng)網(wǎng)絡(luò)