灵活定义神经网络结构-阿里云开发者社区

开发者社区> 罗兵> 正文

灵活定义神经网络结构

简介: 用numpy可以灵活定义神经网络结构,还可以应用numpy强大的矩阵运算功能!   一、用法 1). 定义一个三层神经网络: '''示例一''' nn = NeuralNetworks([3,4,2]) # 定义神经网络 nn.
+关注继续查看

用numpy可以灵活定义神经网络结构,还可以应用numpy强大的矩阵运算功能!

 

一、用法

1). 定义一个三层神经网络:

'''示例一'''
nn = NeuralNetworks([3,4,2]) # 定义神经网络
nn.fit(X,y) # 拟合
print(nn.predict(X)) #预测

说明:

  输入层节点数目:3

  隐藏层节点数目:4

  输出层节点数目:2

 

2).定义一个五层神经网络:

'''示例二'''
nn = NeuralNetworks([3,5,7,4,2]) # 定义神经网络
nn.fit(X,y) # 拟合
print(nn.predict(X)) #预测

说明:

  输入层节点数目:3

  隐藏层1节点数目:5

  隐藏层2节点数目:7

  隐藏层3节点数目:4

  输出层节点数目:2

 

二、实现

如下实现方式为本人(@hhh5460)原创。 要点: dtype=object

import numpy as np

class NeuralNetworks(object):
    ''''''
    def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4):
        '''搭建神经网络框架'''
        # 各层节点数目 (向量)
        self.n = np.array(n_layers) # 'n_layers必须为list类型,如:[3,4,2] 或 n_layers=[3,4,2]'
        self.size = self.n.size # 层的总数
            
        # 层 (向量)
        self.z = np.empty(self.size, dtype=object) # 先占位(置空),dtype=object !如下皆然
        self.a = np.empty(self.size, dtype=object)
        self.data_a = np.empty(self.size, dtype=object)
        
        # 偏置 (向量)
        self.b = np.empty(self.size, dtype=object)
        self.delta_b = np.empty(self.size, dtype=object)

        # 权 (矩阵)
        self.w = np.empty(self.size, dtype=object)
        self.delta_w = np.empty(self.size, dtype=object)
        
        # 填充
        for i in range(self.size):
            self.a[i] = np.zeros(self.n[i])  # 全零
            self.z[i] = np.zeros(self.n[i])  # 全零
            self.data_a[i] = np.zeros(self.n[i])  # 全零
            if i < self.size - 1:
                self.b[i] = np.ones(self.n[i+1])   # 全一
                self.delta_b[i] = np.zeros(self.n[i+1])  # 全零
                mu, sigma = 0, 0.1 # 均值、方差
                self.w[i] = np.random.normal(mu, sigma, (self.n[i], self.n[i+1]))  # # 正态分布随机化
                self.delta_w[i] = np.zeros((self.n[i], self.n[i+1]))  # 全零

 

下面完整代码是我学习斯坦福机器学习教程,完全自己敲出来的:

 

import numpy as np
'''
参考:http://ufldl.stanford.edu/wiki/index.php/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
'''



class NeuralNetworks(object):
    ''''''
    def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4):
        '''搭建神经网络框架'''
        self.n_iter = n_iter # 迭代次数
        self.error = error # 允许最大误差
        self.alpha = alpha # 学习速率
        self.lamda = lamda # 衰减因子 # 此处故意拼写错误!
        
        
        if n_layers is None:
            raise '各层的节点数目必须设置!'
        elif not isinstance(n_layers, list):
            raise 'n_layers必须为list类型,如:[3,4,2] 或 n_layers=[3,4,2]'
        # 节点数目 (向量)
        self.n = np.array(n_layers)
        self.size = self.n.size # 层的总数
            
        # 层 (向量)
        self.a = np.empty(self.size, dtype=object) # 先占位(置空),dtype=object !如下皆然
        self.z = np.empty(self.size, dtype=object)
        
        # 偏置 (向量)
        self.b = np.empty(self.size, dtype=object)
        self.delta_b = np.empty(self.size, dtype=object)

        # 权 (矩阵)
        self.w = np.empty(self.size, dtype=object)
        self.delta_w = np.empty(self.size, dtype=object)
        
        # 残差 (向量)
        self.data_a = np.empty(self.size, dtype=object)
        
        # 填充
        for i in range(self.size):
            self.a[i] = np.zeros(self.n[i])  # 全零
            self.z[i] = np.zeros(self.n[i])  # 全零
            self.data_a[i] = np.zeros(self.n[i])  # 全零
            if i < self.size - 1:
                self.b[i] = np.ones(self.n[i+1])   # 全一
                self.delta_b[i] = np.zeros(self.n[i+1])  # 全零
                mu, sigma = 0, 0.1 # 均值、方差
                self.w[i] = np.random.normal(mu, sigma, (self.n[i], self.n[i+1]))  # # 正态分布随机化
                self.delta_w[i] = np.zeros((self.n[i], self.n[i+1]))  # 全零

        # 激活函数
        self.active_functions = {
            'sigmoid': self.sigmoid,
            'tanh': self.tanh,
            'radb': self.radb,
            'line': self.line,
        }
        
        # 激活函数的导函数
        self.derivative_functions = {
            'sigmoid': self.sigmoid_d,
            'tanh': self.tanh_d,
            'radb': self.radb_d,
            'line': self.line_d,
        }
        
        if active_type is None:
            self.active_type = ['sigmoid'] * (self.size - 1) # 默认激活函数类型
        else:
            self.active_type = active_type
            
    def sigmoid(self, z):
        if np.max(z) > 600:
            z[z.argmax()] = 600
        return 1.0 / (1.0 + np.exp(-z))
            
    def tanh(self, z):
        return (np.exp(z) - np.exp(-z)) / (np.exp(z) + np.exp(-z))
            
    def radb(self, z):
        return np.exp(-z * z)
            
    def line(self, z):
        return z
            
    def sigmoid_d(self, z):
        return z * (1.0 - z)
            
    def tanh_d(self, z):
        return 1.0 - z * z
            
    def radb_d(self, z):
        return -2.0 * z * np.exp(-z * z)
            
    def line_d(self, z):
        return np.ones(z.size) # 全一
        
    def forward(self, x):
        '''正向传播(在线)''' 
        # 用样本 x 走一遍,刷新所有 z, a
        self.a[0] = x
        for i in range(self.size - 1):
            self.z[i+1] = np.dot(self.a[i], self.w[i]) + self.b[i] 
            self.a[i+1] = self.active_functions[self.active_type[i]](self.z[i+1]) # 加了激活函数

    def err(self, X, Y):
        '''误差'''
        last = self.size-1
        err = 0.0
        for x, y in zip(X, Y):
            self.forward(x)
            err += 0.5 * np.sum((self.a[last] - y)**2)
        err /= X.shape[0]
        err += sum([np.sum(w) for w in self.w[:last]**2])
        return err
    
    def backward(self, y):
        '''反向传播(在线)'''
        last = self.size - 1
        # 用样本 y 走一遍,刷新所有delta_w, delta_b
        self.data_a[last] = -(y - self.a[last]) * self.derivative_functions[self.active_type[last-1]](self.z[last]) # 加了激活函数的导函数
        for i in range(last-1, 1, -1):
            self.data_a[i] = np.dot(self.w[i], self.data_a[i+1]) * self.derivative_functions[self.active_type[i-1]](self.z[i]) # 加了激活函数的导函数
            # 计算偏导
            p_w = np.outer(self.a[i], self.data_a[i+1]) # 外积!感谢 numpy 的强大!
            p_b = self.data_a[i+1]
            # 更新 delta_w, delta_w
            self.delta_w[i] = self.delta_w[i] + p_w
            self.delta_b[i] = self.delta_b[i] + p_b
        
    def update(self, n_samples):
        '''更新权重参数'''
        last = self.size - 1
        for i in range(last):
            self.w[i] -= self.alpha * ((1/n_samples) * self.delta_w[i] + self.lamda * self.w[i])
            self.b[i] -= self.alpha * ((1/n_samples) * self.delta_b[i])
            
    def fit(self, X, Y):
        '''拟合'''
        for i in range(self.n_iter):
            # 用所有样本,依次
            for x, y in zip(X, Y):
                self.forward(x)  # 前向,更新 a, z;
                self.backward(y) # 后向,更新 delta_w, delta_b
                
            # 然后,更新 w, b
            self.update(len(X))
            
            # 计算误差
            err = self.err(X, Y)
            if err < self.error:
                break

            # 整千次显示误差(否则太无聊!)
            if i % 1000 == 0:
                print('iter: {}, error: {}'.format(i, err))

    def predict(self, X):
        '''预测'''
        last = self.size - 1
        res = []
        for x in X:
            self.forward(x)
            res.append(self.a[last])
        return np.array(res)
        

        
if __name__ == '__main__':
    nn = NeuralNetworks([2,3,4,3,1], n_iter=5000, alpha=0.4, lamda=0.3, error=0.06) # 定义神经网络

    X = np.array([[0.,0.], # 准备数据
                  [0.,1.],
                  [1.,0.],
                  [1.,1.]])
    y = np.array([0,1,1,0])
    
    nn.fit(X,y)          # 拟合
    print(nn.predict(X)) # 预测
    
    

 

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
黑箱方法-神经网络①
人工神经网络 人工神经网络的概念 人工神经网络(Artificial Neural Networks,ANN)是对一组输入信号和一组输出信号之间的关系进行建模,使用的模型来源于人类大脑对来自感觉输入的刺激是如何反应的理解。
1083 0
阿里云服务器怎么设置密码?怎么停机?怎么重启服务器?
如果在创建实例时没有设置密码,或者密码丢失,您可以在控制台上重新设置实例的登录密码。本文仅描述如何在 ECS 管理控制台上修改实例登录密码。
9356 0
通俗解释"神经网络"
当下互联网圈最火的要数"人工智能"了,而人工智能是基于神经网络的,这里简单描述一下"神经网络" 人的神经元 人的神经元 简化版神经元 简化版 上图中的圆圈表示一个"感知器",它可以接受多个输入,产出一个结果,结果只有两种情...
664 0
阿里云服务器如何登录?阿里云服务器的三种登录方法
购买阿里云ECS云服务器后如何登录?场景不同,大概有三种登录方式:
2913 0
“神经网络”时代即将到来
GANs网络正在给世界带来那些改变?
2320 0
带你读《C#神经网络编程》之二:构建第一个神经网络
本书旨在为C#程序员使用神经网络、CNTK等C#库和TensorFlowSharp解决复杂的计算问题时,提供实践指导。本书从神经网络入门知识开始,详细介绍如何使用Encog、Aforge和Accord搭建一个神经网络,帮助你深入理解神经网络相关概念和技术,例如深度网络、感知器、优化算法、卷积网络和自动解码器。此外,还详细讲解如何向.NET应用程序中添加智能特性,例如面部和运动检测、对象检测和标注、语言理解、知识和智能搜索。
1788 0
理解递归神经网络-part1
递归神经网络是什么?传统的神经网络有哪些局限性?本文会为你揭开递归神经网络的面纱。
1431 0
Matlab与神经网络入门
第一节、神经网络基本原理  1. 人工神经元( Artificial Neuron )模型         人工神经元是神经网络的基本元素,其原理可以用下图表示: 图1. 人工神经元模型          图中x1~xn是从其他神经元传来的输入信号,wij表示表示从神经元j到神经元i的连接权值,θ表示一个阈值 ( threshold ),或称为偏置( bias )。
1888 0
神经网络
神经网络 如何简单形象又有趣地讲解神经网络是什么? 计算机的潜意识 神经网络入门(连载之一) Deep Neural Networks for Matlab 神经网络研究与应用这块用python好还是matlab? 神经网络、机器学习、模式识别 神经网络理论基础及Python实现 机器学习算法原理...
1125 0
+关注
罗兵
数学专业。擅数据分析,涉stock、lotto。了解随机过程分析、神经网络。涉web前端、后端。了解vba、js,稍擅python
251
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
《2021云上架构与运维峰会演讲合集》
立即下载
《零基础CSS入门教程》
立即下载
《零基础HTML入门教程》
立即下载