首页 > 编程语言 >用Python实现BP神经网络（附代码）

用Python实现BP神经网络（附代码）

时间：2022-12-30 10:01:57浏览次数：40

标签：Theta2 layer Theta1 Python reshape 神经网络 BP np size

用Python实现BP神经网络（附代码）

毕加锁(锁!)

今天教大家用Python实现BP神经网络（附代码）

用Python实现出来的机器学习算法都是什么样子呢？前两期线性回归及逻辑回归项目已发布（见文末链接），今天来讲讲BP神经网络。

BP神经网络

神经网络model

先介绍个三层的神经网络，如下图所示

输入层（input layer）有三个units（

用Python实现BP神经网络（附代码）_代价函数

为补上的bias，通常设为1）

用Python实现BP神经网络（附代码）_神经网络_02

表示第j层的第i个激励，也称为为单元unit

用Python实现BP神经网络（附代码）_代价函数_03

为第j层到第j+1层映射的权重矩阵，就是每条边的权重

用Python实现BP神经网络（附代码）_python_04

所以可以得到：

隐含层：

用Python实现BP神经网络（附代码）_机器学习_05

用Python实现BP神经网络（附代码）_神经网络_06

用Python实现BP神经网络（附代码）_python_07

输出层

用Python实现BP神经网络（附代码）_神经网络_08

，

其中，S型函数

用Python实现BP神经网络（附代码）_代价函数_09

，也成为激励函数

可以看出

用Python实现BP神经网络（附代码）_python_10

为3x4的矩阵，

用Python实现BP神经网络（附代码）_神经网络_11

为1x4的矩阵

用Python实现BP神经网络（附代码）_python_12

==》j+1的单元数x（j层的单元数+1）

代价函数

假设最后输出的

用Python实现BP神经网络（附代码）_权重_13

，即代表输出层有K个单元

用Python实现BP神经网络（附代码）_神经网络_14

，

其中，

用Python实现BP神经网络（附代码）_神经网络_15

代表第i个单元输出与逻辑回归的代价函数

用Python实现BP神经网络（附代码）_神经网络_16

差不多，就是累加上每个输出（共有K个输出）

正则化

L-->所有层的个数

用Python实现BP神经网络（附代码）_机器学习_17

-->第l层unit的个数

正则化后的代价函数为

用Python实现BP神经网络（附代码）_python_18

用Python实现BP神经网络（附代码）_代价函数_19

共有L-1层，然后是累加对应每一层的theta矩阵，注意不包含加上偏置项对应的theta(0)

正则化后的代价函数实现代码：

`# 代价函数` `def` `nnCostFunction(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda):` `length` `=` `nn_params.shape[``0``]` `# theta的中长度` `# 还原theta1和theta2` `Theta1` `=` `nn_params[``0``:hidden_layer_size````(input_layer_size``+``1``)].reshape(hidden_layer_size,input_layer_size``+``1``)` `Theta2` `=` `nn_params[hidden_layer_size````(input_layer_size``+``1``):length].reshape(num_labels,hidden_layer_size``+``1``)` `# np.savetxt("Theta1.csv",Theta1,delimiter=',')` `m` `=` `X.shape[``0``]` `class_y` `=` `np.zeros((m,num_labels))` `# 数据的y对应0-9，需要映射为0/1的关系` `# 映射y` `for` `i` `in` `range``(num_labels):` `class_y[:,i]` `=` `np.int32(y``=``=``i).reshape(``1``,``-``1``)` `# 注意reshape(1,-1)才可以赋值` `'''去掉theta1和theta2的第一列，因为正则化时从1开始'''` `Theta1_colCount` `=` `Theta1.shape[``1``]` `Theta1_x` `=` `Theta1[:,``1``:Theta1_colCount]` `Theta2_colCount` `=` `Theta2.shape[``1``]` `Theta2_x` `=` `Theta2[:,``1``:Theta2_colCount]` `# 正则化向theta^2` `term` `=` `np.dot(np.transpose(np.vstack((Theta1_x.reshape(``-``1``,``1``),Theta2_x.reshape(``-``1``,``1``)))),np.vstack((Theta1_x.reshape(``-``1``,``1``),Theta2_x.reshape(``-``1``,``1``))))` `'''正向传播,每次需要补上一列1的偏置bias'''` `a1` `=` `np.hstack((np.ones((m,``1``)),X))` `z2` `=` `np.dot(a1,np.transpose(Theta1))` `a2` `=` `sigmoid(z2)` `a2` `=` `np.hstack((np.ones((m,``1``)),a2))` `z3` `=` `np.dot(a2,np.transpose(Theta2))` `h` `=` `sigmoid(z3)` `'''代价'''` `J` `=` `-``(np.dot(np.transpose(class_y.reshape(``-``1``,``1``)),np.log(h.reshape(``-``1``,``1``)))``+``np.dot(np.transpose(``1``-``class_y.reshape(``-``1``,``1``)),np.log(``1``-``h.reshape(``-``1``,``1``)))``-``Lambda``*``term``/``2``)``/``m` `return` `np.ravel(J)`

反向传播BP

上面正向传播可以计算得到J(θ),使用梯度下降法还需要求它的梯度

BP反向传播的目的就是求代价函数的梯度

假设4层的神经网络,

用Python实现BP神经网络（附代码）_权重_20

记为-->l层第j个单元的误差

用Python实现BP神经网络（附代码）_神经网络_21

《===》

用Python实现BP神经网络（附代码）_python_22

（向量化）

用Python实现BP神经网络（附代码）_机器学习_23

用Python实现BP神经网络（附代码）_神经网络_24

没有

用Python实现BP神经网络（附代码）_代价函数_25

，因为对于输入没有误差

因为S型函数

用Python实现BP神经网络（附代码）_神经网络_26

的倒数为：

用Python实现BP神经网络（附代码）_神经网络_27

，

所以上面的

用Python实现BP神经网络（附代码）_权重_28

和

用Python实现BP神经网络（附代码）_机器学习_29

可以在前向传播中计算出来

反向传播计算梯度的过程为：

用Python实现BP神经网络（附代码）_神经网络_30

（

用Python实现BP神经网络（附代码）_python_31

是大写的

用Python实现BP神经网络（附代码）_神经网络_32

）

for i=1-m:-

用Python实现BP神经网络（附代码）_python_33

-正向传播计算

用Python实现BP神经网络（附代码）_代价函数_34

（l=2,3,4...L）

-反向计算

用Python实现BP神经网络（附代码）_神经网络_35

、

用Python实现BP神经网络（附代码）_python_36

...

用Python实现BP神经网络（附代码）_神经网络_37

；

-

用Python实现BP神经网络（附代码）_权重_38

-

用Python实现BP神经网络（附代码）_权重_39

用Python实现BP神经网络（附代码）_神经网络_40

最后

用Python实现BP神经网络（附代码）_权重_41

，即得到代价函数的梯度

实现代码：

`# 梯度` `def` `nnGradient(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda):` `length` `=` `nn_params.shape[``0``]` `Theta1` `=` `nn_params[``0``:hidden_layer_size````(input_layer_size``+``1``)].reshape(hidden_layer_size,input_layer_size``+``1``)` `Theta2` `=` `nn_params[hidden_layer_size````(input_layer_size``+``1``):length].reshape(num_labels,hidden_layer_size``+``1``)` `m` `=` `X.shape[``0``]` `class_y` `=` `np.zeros((m,num_labels))` `# 数据的y对应0-9，需要映射为0/1的关系` `# 映射y` `for` `i` `in` `range``(num_labels):` `class_y[:,i]` `=` `np.int32(y``=``=``i).reshape(``1``,``-``1``)` `# 注意reshape(1,-1)才可以赋值` `'''去掉theta1和theta2的第一列，因为正则化时从1开始'''` `Theta1_colCount` `=` `Theta1.shape[``1``]` `Theta1_x` `=` `Theta1[:,``1``:Theta1_colCount]` `Theta2_colCount` `=` `Theta2.shape[``1``]` `Theta2_x` `=` `Theta2[:,``1``:Theta2_colCount]` `Theta1_grad` `=` `np.zeros((Theta1.shape))` `#第一层到第二层的权重` `Theta2_grad` `=` `np.zeros((Theta2.shape))` `#第二层到第三层的权重` `Theta1[:,``0``]` `=` `0``;` `Theta2[:,``0``]` `=` `0``;` `'''正向传播，每次需要补上一列1的偏置bias'''` `a1` `=` `np.hstack((np.ones((m,``1``)),X))` `z2` `=` `np.dot(a1,np.transpose(Theta1))` `a2` `=` `sigmoid(z2)` `a2` `=` `np.hstack((np.ones((m,``1``)),a2))` `z3` `=` `np.dot(a2,np.transpose(Theta2))` `h` `=` `sigmoid(z3)` `'''反向传播，delta为误差，'''` `delta3` `=` `np.zeros((m,num_labels))` `delta2` `=` `np.zeros((m,hidden_layer_size))` `for` `i` `in` `range``(m):` `delta3[i,:]` `=` `h[i,:]``-``class_y[i,:]` `Theta2_grad` `=` `Theta2_grad``+``np.dot(np.transpose(delta3[i,:].reshape(``1``,``-``1``)),a2[i,:].reshape(``1``,``-``1``))` `delta2[i,:]` `=` `np.dot(delta3[i,:].reshape(``1``,``-``1``),Theta2_x)````sigmoidGradient(z2[i,:])` `Theta1_grad` `=` `Theta1_grad``+``np.dot(np.transpose(delta2[i,:].reshape(``1``,``-``1``)),a1[i,:].reshape(``1``,``-``1``))` `'''梯度'''` `grad` `=` `(np.vstack((Theta1_grad.reshape(``-``1``,``1``),Theta2_grad.reshape(``-``1``,``1``)))``+``Lambda````np.vstack((Theta1.reshape(``-``1``,``1``),Theta2.reshape(``-``1``,``1``))))``/``m` `return` `np.ravel(grad)`

BP可以求梯度的原因

实际是利用了链式求导法则

因为下一层的单元利用上一层的单元作为输入进行计算

大体的推导过程如下，最终我们是想预测函数与已知的y非常接近，求均方差的梯度沿着此梯度方向可使代价函数最小化。可对照上面求梯度的过程。

用Python实现BP神经网络（附代码）_神经网络_42

字比较草勿喷

求误差更详细的推导过程：

用Python实现BP神经网络（附代码）_权重_43

梯度检查

检查利用BP求的梯度是否正确

利用导数的定义验证：

用Python实现BP神经网络（附代码）_神经网络_44

求出来的数值梯度应该与BP求出的梯度非常接近

验证BP正确后就不需要再执行验证梯度的算法了

实现代码：

`# 检验梯度是否计算正确` `# 检验梯度是否计算正确` `def` `checkGradient(Lambda` `=` `0``):` `'''构造一个小型的神经网络验证，因为数值法计算梯度很浪费时间，而且验证正确后之后就不再需要验证了'''` `input_layer_size` `=` `3` `hidden_layer_size` `=` `5` `num_labels` `=` `3` `m` `=` `5` `initial_Theta1` `=` `debugInitializeWeights(input_layer_size,hidden_layer_size);` `initial_Theta2` `=` `debugInitializeWeights(hidden_layer_size,num_labels)` `X` `=` `debugInitializeWeights(input_layer_size``-``1``,m)` `y` `=` `1``+``np.transpose(np.mod(np.arange(``1``,m``+``1``), num_labels))``# 初始化y` `y` `=` `y.reshape(``-``1``,``1``)` `nn_params` `=` `np.vstack((initial_Theta1.reshape(``-``1``,``1``),initial_Theta2.reshape(``-``1``,``1``)))` `#展开theta` `'''BP求出梯度'''` `grad` `=` `nnGradient(nn_params, input_layer_size, hidden_layer_size,` `num_labels, X, y, Lambda)` `'''使用数值法计算梯度'''` `num_grad` `=` `np.zeros((nn_params.shape[``0``]))` `step` `=` `np.zeros((nn_params.shape[``0``]))` `e` `=` `1e``-``4` `for` `i` `in` `range``(nn_params.shape[``0``]):` `step[i]` `=` `e` `loss1` `=` `nnCostFunction(nn_params``-``step.reshape(``-``1``,``1``), input_layer_size, hidden_layer_size,` `num_labels, X, y,` `Lambda)` `loss2` `=` `nnCostFunction(nn_params``+``step.reshape(``-``1``,``1``), input_layer_size, hidden_layer_size,` `num_labels, X, y,` `Lambda)` `num_grad[i]` `=` `(loss2``-``loss1)``/``(``2``*``e)` `step[i]``=``0` `# 显示两列比较` `res` `=` `np.hstack((num_grad.reshape(``-``1``,``1``),grad.reshape(``-``1``,``1``)))` `print` `res`

权重的随机初始化

神经网络不能像逻辑回归那样初始化theta为0,因为若是每条边的权重都为0，每个神经元都是相同的输出，在反向传播中也会得到同样的梯度，最终只会预测一种结果。

所以应该初始化为接近0的数

实现代码

`# 随机初始化权重theta` `def` `randInitializeWeights(L_in,L_out):` `W` `=` `np.zeros((L_out,``1``+``L_in))` `# 对应theta的权重` `epsilon_init` `=` `(``6.0``/``(L_out``+``L_in))``````0.5` `W` `=` `np.random.rand(L_out,``1``+``L_in)````2````epsilon_init``-``epsilon_init` `# np.random.rand(L_out,1+L_in)产生L_out*(1+L_in)大小的随机矩阵` `return` `W`

预测

正向传播预测结果

实现代码

`# 预测` `def` `predict(Theta1,Theta2,X):` `m` `=` `X.shape[``0``]` `num_labels` `=` `Theta2.shape[``0``]` `#p = np.zeros((m,1))` `'''正向传播，预测结果'''` `X` `=` `np.hstack((np.ones((m,``1``)),X))` `h1` `=` `sigmoid(np.dot(X,np.transpose(Theta1)))` `h1` `=` `np.hstack((np.ones((m,``1``)),h1))` `h2` `=` `sigmoid(np.dot(h1,np.transpose(Theta2)))` `'''` `返回h中每一行最大值所在的列号` `- np.max(h, axis=1)返回h中每一行的最大值（是某个数字的最大概率）` `- 最后where找到的最大概率所在的列号（列号即是对应的数字）` `'''` `#np.savetxt("h2.csv",h2,delimiter=',')` `p` `=` `np.array(np.where(h2[``0``,:]` `=``=` `np.``max``(h2, axis``=``1``)[``0``]))` `for` `i` `in` `np.arange(``1``, m):` `t` `=` `np.array(np.where(h2[i,:]` `=``=` `np.``max``(h2, axis``=``1``)[i]))` `p` `=` `np.vstack((p,t))` `return` `p`

输出结果

梯度检查：

用Python实现BP神经网络（附代码）_神经网络_45

随机显示100个手写数字

用Python实现BP神经网络（附代码）_python_46

显示theta1权重

用Python实现BP神经网络（附代码）_神经网络_47

训练集预测准确度

用Python实现BP神经网络（附代码）_权重_48

归一化后训练集预测准确度

用Python实现BP神经网络（附代码）_权重_49

我是毕加锁期待你的关注

标签：Theta2,layer,Theta1,Python,reshape,神经网络,BP,np,size
From： https://blog.51cto.com/u_15687734/5979117

相关文章

Python八个自动化办公的技巧
Python八个自动化办公的技巧大家好我是毕加锁(锁!)这篇文章主要介绍了几个Python自动化办公的技巧，可以大大提高工作效率，例如：Word文档doc转docx、Excel文件批量合并、Word......
Python导入模块的3种方式
2022-12-30很多初学者经常遇到这样的问题，即自定义 Python 模板后，在其它文件中用import（或from...import）语句引入该文件时，Python解释器同时如下错误：ModuleNotFoundEr......
Python读取文件时出现UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in po
Python在读取文件时withopen('article.txt')asf:#打开新的文本text_new=f.read()#读取文本数据出现错误：UnicodeDecodeError:'gbk'codeccan'tdecodeby......
【爬虫实战项目】Python爬虫批量下载网易云音乐飙升榜并保存本地（附源码）
前言今天给大家介绍的是Python爬虫批量下载音乐飙升榜并保存本地，在这里给需要的小伙伴们代码，并且给出一点小心得。首先是爬取之前应该尽可能伪装成浏览器而不被识别出来......
Chrome extension异常 chrome.runtime.sendMessage() called from a webpage must spe
UncaughtTypeError:Errorininvocationofruntime.sendMessage(optionalstringextensionId,anymessage,optionalobjectoptions,optionalfunctioncallback):......
【Python】爬虫笔记-requests.exceptions.ProxyError
0x01爬虫使用HTTP/HTTPS代理时报故：proxy='127.0.0.1:9743'proxies={'http':'http://'+proxy,'https':'https://'+proxy,}response=requests.ge......
python-web:flask框架下的html实例——用户注册页面
1、submit实现页面跳转，方法为get<h1>用户注册</h1><formmethod="get"action="/do/reg......
Python 面向对象
目录Python面向对象方法没有重载方法的动态性私有属性和私有方法(实现封装)@property装饰器属性和方法命名总结Python面向对象方法没有重载在其他语言中，可以定义多个......
Python 面向对象进阶
目录Python面向对象进阶面向对象三大特征介绍继承语法格式类成员的继承和重写查看类的继承层次结构与根类属性重写__str__()方法Python面向对象进阶面向对象三大特征......
[oeasy]python0035_ 整合shell编程_循环_延迟_清屏
整合shell编程回忆上次内容用\r可以让输出位置回到行首原位刷新时间如果想要的是大字符效果需要使用figlet但同时还希望能刷新编辑这可能......

赞助商

阅读排行