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:42  
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

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