BP神经网络

首页 > 代码库 > BP神经网络

2024-08-23 06:46:11 221人阅读

代码为MNIST数据集上运行简单BP神经网络的python实现。

以下公式和文字来自Wanna_Go的博文 http://www.cnblogs.com/wxshi/p/6077734.html，包含详尽的描述和推导。

BP神经网络

　　秋招刚结束，这俩月没事就学习下斯坦福大学公开课，想学习一下深度学习（这年头不会DL，都不敢说自己懂机器学习），目前学到了神经网络部分，学习起来有点吃力，把之前学的BP(back-progagation)神经网络复习一遍加深记忆。看了许多文章发现一PPT上面写的很清晰，就搬运过来，废话不多说，直入正题：

单个神经元

　　神经网络是由多个“神经元”组成，单个神经元如下图所示：

技术分享

　　这其实就是一个单层感知机，输入是由ξ₁ ,ξ₂ ,ξ₃和Θ组成的向量。其中Θ为偏置(bias),σ为激活函数(transfer function)，本文采用的是sigmoid函数，功能与阶梯函数(step function)相似控制设神经元的输出，它的优点是连续可导。

是神经元的输出，结果为技术分享

可以看得出这个“神经元”的输入-输出映射其实就是一个逻辑回归，常用的激活函数还有双曲正切函数。

激活函数

sigmoid：函数

技术分享

取值范围为[0,1],它的图像如下：

技术分享

求导结果为：

技术分享

tanh函数：

技术分享

取值范围为[-1,1],图像如下：

技术分享

求导数结果为。本文采用的是sigmoid函数作为激活函数。

神经网络模型

神经网络将许多“神经元”联结在一起，一个神经元的输出可以是另一个“神经元”的输入，神经元之间的传递需要乘法上两个神经元对应的权重，下图就是一个简单的神经网络：

技术分享

这是一个三层的神经网络，使用圆圈来表示神经元的输入，“+1”被称为偏置节点，从左到右依次为输入层、隐藏层和输出层，从图中可以看出，有3个输入节点、3个隐藏节点和一个输出单元(偏置不接受输入)。

本例神经网络的参数有技术分享，其中是第l层第 j 单元与 l+1层第 $技术分享$ 单元之间的联接参数，即：节点连线的权重，本图中是第l+1 层第i单元的偏置项。

向前传播

　　机器学习(有监督)的任务无非是损失函数最小化，BP神经网络的原理是前向传播得到目标值（分类），再通过后向传播对data loss进行优化求出参数。可见最优化部分

　　 $技术分享$ 表示 $技术分享$ 层第 $技术分享$ 单元激活值（输出值）。当 $技术分享$ 时， $技术分享$ ，也就是第 $技术分享$ 个输入值。对于给定参数集 $技术分享$ ， $技术分享$ 来表示神经网络最后计算输出的结果。上图神经网络计算步骤如下：

技术分享

可以看出，神经网络的核心思想是这一层的输出乘上相应的权重加上偏置，带入激活函数后的输出又是下一层的输入。用 $技术分享$ 表示第 $技术分享$ 层第 $技术分享$ 单元输入加权和，则。使用向量化表示方法表示，上面的公式可以简写为：

技术分享

这些计算步骤就是前向传播，将计算过程进行推广，给定第 $技术分享$ 层的激活值 $技术分享$ ，第 $技术分享$ 层的激活值 $技术分享$ 的计算过程为：

技术分享

反向传播

在前向传播中，我们得到了神经网络的预测值 $技术分享$ ，这时候可以通过反向传播的方法计算出参数

符号定义

技术分享：第l层第j个节点的输入。

：从第l-1层第i个节点到第l层第j个节点的权值。

：Sigmoid激活函数。

：：第l层第j个节点的偏置。

：：第l层第j个节点的输出。

：：输出层第j个节点的目标值(label)。

使用梯度下降的方法求解参数，在求解的过程中需要对输出层和隐藏层分开计算

输出层权重计算

　　给定样本标签技术分享和模型输出结果，输出层的损失函数为：

技术分享

这其实就是均方差项，训练的目标是最小化该误差，使用梯度下降方法进行优化，对上式子对权重W进行求导：

技术分享

，整理技术分享，

其中技术分享 =带入，对sigmoid求导得：

技术分享

输出层第k个节点的输入技术分享等于上一层第j个节点的输出乘上，即=，而上一层的输出与输出层的权重变量无关，可以看做一个常数，所以直接求导可以得到：

技术分享

所以将技术分享 =带入式子中就得到：

为了方便表示将上式子记作：

技术分享

其中：

技术分享

隐藏层权重计算

采用同样方法对隐藏层的权重进行计算，与前面不同的是关于隐藏层和前一层权重的调整

技术分享

整理

技术分享

替换sigmoid函数

技术分享

对sigmoid求导

技术分享

把技术分享带入进去，使用求导的链式法则：

技术分享

输出层的输入等于上一层的输入乘以相应的权重，即：技术分享于是得到

技术分享

对进行求导（技术分享 =，同样适用于j），

技术分享

同输出层计算的方法一样，再次利用，j换成i，k换成j同样成立，带入进去:

技术分享

整理，得到：

技术分享

其中：技术分享

我们还可以仿照技术分享的定义来定义一个，得到：

技术分享

其中：技术分享

偏置调整

　　从上面的计算步骤中可以看出：例如技术分享，偏置节点是不存在对应的权值参数，也就是不存在关于权值变量的偏导数。

对偏置直接求导：

技术分享

又有

技术分享

得到：

技术分享，其中：

BP算法步骤

1. 随机初始化W和b，需要注意的是，随机初始化并是不是全部置为0，如果所有参数都是用相同的值初始化，那么所有隐藏单元最终会得到与输入值相关、相同的函数(也就是说，对于所有 $技术分享$ ， $技术分享$ 都会取相同的值，那么对于任何输入 $技术分享$ 都会有： )，随机初始化的目的是使对称失效。

2.对每个输出节点按照这个公式计算delta：

3.对每个隐藏节点按照这个公式计算delta：

技术分享

4.更新W和b的公式为：

技术分享

并更新参数技术分享，这里的η是学习率。

 1 # coding:utf8
 2 import cPickle
 3 import numpy as np
 4 
 5 
 6 class Network(object):
 7     def __init__(self, sizes):
 8         self.num_layers = len(sizes)
 9         self.sizes = sizes
10         self.biases = [np.random.randn(y, 1) for y in sizes[1:]]  # L(n-1)->L(n)
11         self.weights = [np.random.randn(y, x)
12                         for x, y in zip(sizes[:-1], sizes[1:])]
13 
14     def feedforward(self, a):
15         for b_, w_ in zip(self.biases, self.weights):
16             a = self.sigmoid(np.dot(w_, a)+b_)
17         return a
18 
19     def SGD(self, training_data, test_data,epochs, mini_batch_size, eta):
20         n_test = len(test_data)
21         n = len(training_data)
22         for j in xrange(epochs):
23             np.random.shuffle(training_data)  # shuffle
24             for k in xrange(0, n, mini_batch_size):
25                 mini_batch = training_data[k:k+mini_batch_size]
26                 self.update_mini_batch(mini_batch, eta)
27             print "Epoch {0}: {1} / {2}".format(
28                     j, self.evaluate(test_data), n_test)
29 
30     def update_mini_batch(self, mini_batch, eta):
31         for x, y in mini_batch:
32             delta_b, delta_w = self.backprop(x, y)
33             self.weights -= eta/len(mini_batch)*delta_w
34             self.biases -= eta/len(mini_batch)*delta_b
35 
36     def backprop(self, x, y):
37         b=np.zeros_like(self.biases)
38         w=np.zeros_like(self.weights)
39         a_ = x
40         a = [x]
41         for b_, w_ in zip(self.biases, self.weights):
42             a_ = self.sigmoid(np.dot(w_, a_)+b_)
43             a.append(a_)
44         for l in xrange(1, self.num_layers):
45             if l==1:
46                 delta= self.sigmoid_prime(a[-1])*(a[-1]-y)  # O(k)=a[-1], t(k)=y
47             else:
48                 sp = self.sigmoid_prime(a[-l])   # O(j)=a[-l]
49                 delta = np.dot(self.weights[-l+1].T, delta) * sp
50             b[-l] = delta
51             w[-l] = np.dot(delta, a[-l-1].T)
52         return (b, w)
53 
54     def evaluate(self, test_data):
55         test_results = [(np.argmax(self.feedforward(x)), y)
56                         for (x, y) in test_data]
57         return sum(int(x == y) for (x, y) in test_results)
58 
59     def sigmoid(self,z):
60         return 1.0/(1.0+np.exp(-z))
61 
62     def sigmoid_prime(self,z):
63         return z*(1-z)
64 
65 if __name__ == ‘__main__‘:
66 
67         def get_label(i):
68             c=np.zeros((10,1))
69             c[i]=1
70             return c
71 
72         def get_data(data):
73             return [np.reshape(x, (784,1)) for x in data[0]]
74 
75         f = open(‘mnist.pkl‘, ‘rb‘)
76         training_data, validation_data, test_data =http://www.mamicode.com/ cPickle.load(f)
77         training_inputs = get_data(training_data)
78         training_label=[get_label(y_) for y_ in training_data[1]]
79         data =http://www.mamicode.com/ zip(training_inputs,training_label)
80         test_inputs = training_inputs = get_data(test_data)
81         test = zip(test_inputs,test_data[1])
82         net = Network([784, 30, 10])
83         net.SGD(data,test,20,10, 3.0,)  # 9496/10000

BP神经网络

声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉：投诉/举报工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。

联系
我们

首页 > 代码库 > BP神经网络

BP神经网络

BP神经网络

单个神经元

神经网络模型

向前传播

反向传播

输出层权重计算

隐藏层权重计算

偏置调整

BP算法步骤

看完仍有疑问？有类似问题直接问程序猿