极简反传(BP)神经网络

简介:  一、两层神经网络(感知机) import numpy as np '''极简两层反传(BP)神经网络''' # 样本 X = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]]) y = np.

 

 一、两层神经网络(感知机)

import numpy as np

'''极简两层反传(BP)神经网络'''

# 样本
X = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y = np.array([0,0,1,1])
 
# 权值矩阵 初始化
Wi = 2 * np.random.random(3) - 1
 
for iter in range(10000):
    # 前向传播,计算误差
    li = X
    lo = 1 / (1 + np.exp(-np.dot(li, Wi))) # 激活函数:sigmoid
    lo_error = y - lo

    # 后向传播,更新权值
    lo_delta = lo_error * lo * (1 - lo)    # sigmoid函数的导数(梯度下降)
    Wi += np.dot(lo_delta, li)
    
print("训练效果:\n", lo)

说明:

  只有两层:输入层/输出层, 本质是感知机

  离线算法:批量学习(numpy矩阵运算的威力在此体现出来了

  效果还蛮不错:

    

 

二、三层神经网络

import numpy as np

'''极简三层反传(BP)神经网络'''

# 样本
X = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y = np.array([0,1,1,0])

# 权值矩阵
Wi = 2 * np.random.random((3, 5)) - 1
Wh = 2 * np.random.random(5) - 1

# 训练
for i in range(10000):
    # 前向传播,计算误差
    li = X
    lh = 1 / (1 + np.exp(-np.dot(li, Wi)))
    lo = 1 / (1 + np.exp(-np.dot(lh, Wh)))
    lo_error = y - lo
    
    # 后向传播,更新权值
    lo_delta = lo_error * (lo * (1 - lo))
    lh_delta = np.outer(lo_delta, Wh) * (lh * (1 - lh)) # 外积!感谢 numpy 的强大!
    Wh += np.dot(lh.T, lo_delta)
    Wi += np.dot(li.T, lh_delta)
    
print("训练之后:\n", lo)

说明: 增加了一个隐藏层(五个节点)

 

三、四层神经网络

import numpy as np

'''极简四层反传(BP)神经网络'''

# 样本
X = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y = np.array([0,1,1,0])

# 权值矩阵
Wi  = 2 * np.random.random((3, 5)) - 1
Wh1 = 2 * np.random.random((5, 4)) - 1
Wh2 = 2 * np.random.random(4) - 1

# 训练
for i in range(10000):
    # 前向传播,计算误差
    li = X
    lh1 = 1 / (1 + np.exp(-np.dot(li,  Wi )))
    lh2 = 1 / (1 + np.exp(-np.dot(lh1, Wh1)))
    lo  = 1 / (1 + np.exp(-np.dot(lh2, Wh2)))
    lo_error = y - lo
    
    # 后向传播,更新权值
    lo_delta = lo_error * (lo * (1 - lo))
    lh2_delta = np.outer(lo_delta, Wh2.T) * (lh2 * (1 - lh2))
    lh1_delta = np.dot(lh2_delta, Wh1.T) * (lh1 * (1 - lh1))  # 注意:这里是dot!
    
    Wh2 += np.dot(lh2.T, lo_delta)
    Wh1 += np.dot(lh1.T, lh2_delta)
    Wi  += np.dot(li.T,  lh1_delta)
    
print("训练之后:\n", lo)

说明: 增加了两个隐藏层(五个节点,四个节点)

 

四、三层神经网络的另一种方式

import numpy as np

# 样本
X = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y = np.array([0,1,1,0])

ni = 3 # 输入层节点数
nh = 5 # 隐藏层节点数
no = 2 # 输出层节点数(注意这里是2!!)

# 初始化矩阵、偏置
Wi = np.random.randn(ni, nh) / np.sqrt(ni)
Wh = np.random.randn(nh, no) / np.sqrt(nh)
bh = np.zeros(nh)
bo = np.zeros(no)

# 训练
for i in range(1000):
    # 前向传播
    li = X
    lh = np.tanh(np.dot(X, Wi) + bh)     # tanh 函数
    lo = np.exp(np.dot(lh, Wh) + bo)
    probs = lo / np.sum(lo, axis=1, keepdims=True)

    # 后向传播
    lo_delta = probs
    lo_delta[range(X.shape[0]), y] += 1 # -=1
    lh_delta = np.dot(lo_delta, Wh.T) * (1 - np.power(lh, 2)) # tanh 函数的导数

    # 更新权值、偏置
    epsilon = 0.01    # 学习速率
    lamda = 0.01      # 正则化强度 
    bo += -epsilon * np.sum(lo_delta, axis=0, keepdims=True).reshape(-1)
    Wh += -epsilon * (np.dot(lh.T, lo_delta) + lamda * Wh)
    bh += -epsilon * np.sum(lh_delta, axis=0)
    Wi += -epsilon * (np.dot(X.T, lh_delta) + lamda * Wi)
    
    
print("训练之后:\n", np.argmax(probs, axis=1))

说明:

  1. 输出层有两个节点。其原因是样本有两种类别(最值得注意

  2. 添加了偏置、学习速率、正则化强度

  3. 预测结果是: np.argmax(probs, axis=1)

  4. 当然,也可以推广到多个隐藏层的情况

 

五、任意层数的神经网络

import numpy as np

# 样本
X = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y = np.array([0,1,1,0])

# 神经网络结构,层数任意!
sizes = [3,5,7,2]

# 初始化矩阵、偏置
biases = [np.random.randn(j) for j in sizes[1:]]
weights = [np.random.randn(i,j) for i,j in zip(sizes[:-1], sizes[1:])]

layers = [None] * len(sizes)
layers[0] = X
layers_delta = [None] * (len(sizes) - 1)

epsilon = 0.01 # 学习速率
lamda = 0.01   # 正则化强度

# 训练
for i in range(1000):
    # 前向传播
    for i in range(1, len(layers)):
        layers[i] = 1 / (1 + np.exp(-(np.dot(layers[i-1], weights[i-1]) + biases[i-1])))
    
    # 后向传播
    probs = layers[-1] / np.sum(layers[-1], axis=1, keepdims=True)
    layers_delta[-1] = probs
    layers_delta[-1][range(X.shape[0]), y] += 1
    for i in range(len(sizes)-2, 0, -1):
        layers_delta[i-1] = np.dot(layers_delta[i], weights[i].T) * (layers[i] * (1 - layers[i]))

    # 更新权值、偏置
    for i in range(len(sizes)-2, -1, -1):
        biases[i]  -= epsilon * np.sum(layers_delta[i], axis=0)
        weights[i] -= epsilon * (np.dot(layers[i].T, layers_delta[i]) + lamda * weights[i])
    
    
print("训练之后-->np.argmax(probs, axis=1):\n", np.argmax(probs, axis=1))

说明:

  1. 这只是上一种神经网络的层数的扩展

  2. 通过内部循环,层数可以任意。

  3. 循环次数太大的时候(比如10000),会报RunTimeError,貌似溢出

 

目录
相关文章
|
6月前
|
机器学习/深度学习 算法
基于BP神经网络的人口预测
基于BP神经网络的人口预测
111 0
|
5月前
|
机器学习/深度学习
BP神经网络应用案例(二)
BP神经网络应用案例
|
5月前
|
机器学习/深度学习 人工智能 知识图谱
BP神经网络应用案例(一)
BP神经网络应用案例
118 0
|
9月前
|
机器学习/深度学习 算法 物联网
|
9月前
|
机器学习/深度学习 算法 数据挖掘
BP神经网络(二)
BP神经网络(二)
|
10月前
|
机器学习/深度学习 人工智能 算法
基于BP神经网络的手写数字识别(Matlab代码实现)
基于BP神经网络的手写数字识别(Matlab代码实现)
135 0
|
10月前
|
机器学习/深度学习 算法 决策智能
基于遗传算法的BP神经网络技术的应用(Matlab代码实现)
基于遗传算法的BP神经网络技术的应用(Matlab代码实现)
|
10月前
|
机器学习/深度学习 算法
基于标准反向传播算法的改进BP神经网络算法(Matlab代码实现)
基于标准反向传播算法的改进BP神经网络算法(Matlab代码实现)
|
10月前
|
机器学习/深度学习 传感器 算法
【BP分类】基于遗传算法优化BP神经网络的数据分类附matlab代码
【BP分类】基于遗传算法优化BP神经网络的数据分类附matlab代码
|
10月前
|
机器学习/深度学习 传感器 数据采集
【BP分类】基于BP神经网络的数据分类预测附matlab代码
【BP分类】基于BP神经网络的数据分类预测附matlab代码

热门文章

最新文章