零基础入门深度学习(1):感知器,激活函数

简介: 零基础入门深度学习(1) - 感知器零基础入门深度学习(2) - 线性单元和梯度下降零基础入门深度学习(3) - 神经网络和反向传播算法零基础入门深度学习(4) - 卷积神经网络 零基础入门深度学习(5) - 循环神经网络。 零基础入门深度学习(6) - 长短时记忆网络(LSTM)。 无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作


零基础入门深度学习(1) - 感知器
零基础入门深度学习(2) - 线性单元和梯度下降
零基础入门深度学习(3) - 神经网络和反向传播算法
零基础入门深度学习(4) - 卷积神经网络

零基础入门深度学习(5) - 循环神经网络

零基础入门深度学习(6) - 长短时记忆网络(LSTM)

无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作为一个有理想有追求的程序员,不懂深度学习(Deep Learning)这个超热的技术,会不会感觉马上就out了?现在救命稻草来了,《零基础入门深度学习》系列文章旨在帮助爱编程的你从零基础达到入门级水平。


零基础意味着你不需要太多的数学知识,只要会写程序就行了,没错,这是专门为程序员写的文章。虽然文中会有很多公式你也许看不懂,但同时也会有更多的代码,程序员的你一定能看懂的(我周围是一群狂热的Clean Code程序员,所以我写的代码也不会很差)。


1深度学习是啥


在人工智能领域,有一个方法叫机器学习。在机器学习这个方法里,有一类算法叫神经网络。神经网络如下图所示:




上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接。我们可以看到,上面的神经元被分成了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接。最左边的层叫做输入层,这层负责接收输入数据;最右边的层叫输出层,我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。


隐藏层比较多(大于2)的神经网络叫做深度神经网络。而深度学习,就是使用深层架构(比如,深度神经网络)的机器学习方法。


那么深层网络和浅层网络相比有什么优势呢?简单来说深层网络能够表达力更强。事实上,一个仅有一个隐藏层的神经网络就能拟合任何一个函数,但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数,要么使用一个浅而宽的网络,要么使用一个深而窄的网络。而后者往往更节约资源。


深层网络也有劣势,就是它不太容易训练。简单的说,你需要大量的数据,很多的技巧才能训练好一个深层网络。这是个手艺活。


2感知器


看到这里,如果你还是一头雾水,那也是很正常的。为了理解神经网络,我们应该先理解神经网络的组成单元——神经元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行,也成功解决了很多问题。并且,感知器算法也是非常简单的。


  • 感知器的定义


下图是一个感知器:




可以看到,一个感知器有如下组成部分:




如果看完上面的公式一下子就晕了,不要紧,我们用一个简单的例子来帮助理解。


例子:用感知器实现and函数


我们设计一个感知器,让它来实现and运算。程序员都知道,and是一个二元函数(带有两个参数和),下面是它的真值表:




为了计算方便,我们用0表示false,用1表示true。这没什么难理解的,对于C语言程序员来说,这是天经地义的。


我们令,而激活函数就是前面写出来的阶跃函数,这时,感知器就相当于and函数。不明白?我们验算一下:


输入上面真值表的第一行,即,那么根据公式(1),计算输出: 




也就是当X1X2都为0的时候,为0,这就是真值表的第一行。读者可以自行验证上述真值表的第二、三、四行。


例子:用感知器实现or函数


同样,我们也可以用感知器来实现or运算。仅仅需要把偏置项的值设置为-0.3就可以了。我们验算一下,下面是or运算的真值表:




我们来验算第二行,这时的输入是,带入公式(1):




也就是当时X1=0,X2=为1,即or真值表第二行。读者可以自行验证其它行。


  • 感知器还能做什么


事实上,感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数,任何线性分类或线性回归问题都可以用感知器来解决。前面的布尔运算可以看作是二分类问题,即给定一个输入,输出0(属于分类0)或1(属于分类1)。如下面所示,and运算是一个线性分类问题,即可以用一条直线把分类0(false,红叉表示)和分类1(true,绿点表示)分开。




然而,感知器却不能实现异或运算,如下图所示,异或运算不是线性的,你无法用一条直线把分类0和分类1分开。




  • 感知器的训练


现在,你可能困惑前面的权重项和偏置项的值是如何获得的呢?这就要用到感知器训练算法:将权重项和偏置项初始化为0,然后,利用下面的感知器规则迭代的修改和,直到训练完成。



其中: 



Wi是与输入Xi对应的权重项,b是偏置项。y 是训练样本输出的实际值,一般称之为label(期望)。而t 是感知器的计算输出值,它是根据公式(1)计算得出。是一个称为学习速率的常数,其作用是控制每一步调整权的幅度。


每次从训练数据中取出一个样本的输入向量,使用感知器计算其输出,再根据上面的规则来调整权重。每处理一个样本就调整一次权重。经过多轮迭代后(即全部的训练数据被反复处理多轮),就可以训练出感知器的权重,使之实现目标函数。


  • 编程实战:实现感知器


对于程序员来说,没有什么比亲自动手实现学得更快了,而且,很多时候一行代码抵得上千言万语。接下来我们就将实现一个感知器。


下面是一些说明:


  • 使用python语言。python在机器学习领域用的很广泛,而且,写python程序真的很轻松。

  • 面向对象编程。面向对象是特别好的管理复杂度的工具,应对复杂问题时,用面向对象设计方法很容易将复杂问题拆解为多个简单问题,从而解救我们的大脑。

  • 没有使用numpy。numpy实现了很多基础算法,对于实现机器学习算法来说是个必备的工具。但为了降低读者理解的难度,下面的代码只用到了基本的python(省去您去学习numpy的时间)。


下面是感知器类的实现,非常简单。去掉注释只有27行,而且还包括为了美观(每行不超过60个字符)而增加的很多换行。

    class Perceptron(object):
        def __init__(self, input_num, activator):
            '''
            初始化感知器,设置输入参数的个数,以及激活函数。
            激活函数的类型为double -> double
            '''
            self.activator = activator
            # 权重向量初始化为0
            self.weights = [0.0 for _ in range(input_num)]
            # 偏置项初始化为0
            self.bias = 0.0
        def __str__(self):
            '''
            打印学习到的权重、偏置项
            '''
            return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
        def predict(self, input_vec):
            '''
            输入向量,输出感知器的计算结果
            '''
            # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
            # 变成[(x1,w1),(x2,w2),(x3,w3),...]
            # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
            # 最后利用reduce求和
            return self.activator(
                reduce(lambda a, b: a + b,
                       map(lambda (x, w): x * w,  
                           zip(input_vec, self.weights))
                    , 0.0) + self.bias)
        def train(self, input_vecs, labels, iteration, rate):
            '''
            输入训练数据:一组向量、与每个向量对应的label;以及训练轮数、学习率
            '''
            for i in range(iteration):
                self._one_iteration(input_vecs, labels, rate)
        def _one_iteration(self, input_vecs, labels, rate):
            '''
            一次迭代,把所有的训练数据过一遍
            '''
            # 把输入和输出打包在一起,成为样本的列表[(input_vec, label), ...]
            # 而每个训练样本是(input_vec, label)
            samples = zip(input_vecs, labels)
            # 对每个样本,按照感知器规则更新权重
            for (input_vec, label) in samples:
                # 计算感知器在当前权重下的输出
                output = self.predict(input_vec)
                # 更新权重
                self._update_weights(input_vec, output, label, rate)
        def _update_weights(self, input_vec, output, label, rate):
            '''
            按照感知器规则更新权重
            '''
            # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
            # 变成[(x1,w1),(x2,w2),(x3,w3),...]
            # 然后利用感知器规则更新权重
            delta = label - output
            self.weights = map(
                lambda (x, w): w + rate * delta * x,
                zip(input_vec, self.weights))
            # 更新bias
            self.bias += rate * delta

接下来,我们利用这个感知器类去实现and函数。

    def f(x):
        '''
        定义激活函数f
        '''
        return 1 if x > 0 else 0
    def get_training_dataset():
        '''
        基于and真值表构建训练数据
        '''
        # 构建训练数据
        # 输入向量列表
        input_vecs = [[1,1], [0,0], [1,0], [0,1]]
        # 期望的输出列表,注意要与输入一一对应
        # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
        labels = [1, 0, 0, 0]
        return input_vecs, labels    
    def train_and_perceptron():
        '''
        使用and真值表训练感知器
        '''
        # 创建感知器,输入参数个数为2(因为and是二元函数),激活函数为f
        p = Perceptron(2, f)
        # 训练,迭代10轮, 学习速率为0.1
        input_vecs, labels = get_training_dataset()
        p.train(input_vecs, labels, 10, 0.1)
        #返回训练好的感知器
        return p
    if __name__ == '__main__': 
        # 训练and感知器
        and_perception = train_and_perceptron()
        # 打印训练获得的权重
        print and_perception
        # 测试
        print '1 and 1 = %d' % and_perception.predict([1, 1])
        print '0 and 0 = %d' % and_perception.predict([0, 0])
        print '1 and 0 = %d' % and_perception.predict([1, 0])
        print '0 and 1 = %d' % and_perception.predict([0, 1])

小结

终于看(写)到小结了...,大家都累了。对于零基础的你来说,走到这里应该已经很烧脑了吧。没关系,休息一下。值得高兴的是,你终于已经走出了深度学习入门的第一步,这是巨大的进步;坏消息是,这仅仅是最简单的部分,后面还有无数艰难险阻等着你。不过,你学的困难往往意味着别人学的也困难,掌握一门高门槛的技艺,进可糊口退可装逼,是很值得的。

原文地址:https://www.zybuluo.com/hanbingtao/note/433855

目录
相关文章
|
6月前
|
机器学习/深度学习 PyTorch 算法框架/工具
深度学习Pytorch-Tensor函数
深度学习Pytorch-Tensor函数
41 0
|
8月前
|
机器学习/深度学习 算法
深度学习激活函数
深度学习激活函数
34 0
|
14天前
|
机器学习/深度学习 人工智能 测试技术
深度学习中损失函数和激活函数的选择
深度学习中损失函数和激活函数的选择
20 0
|
14天前
|
机器学习/深度学习 算法 TensorFlow
TensorFlow 2keras开发深度学习模型实例:多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN)
TensorFlow 2keras开发深度学习模型实例:多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN)
|
15天前
|
机器学习/深度学习 数据可视化 Python
|
15天前
|
机器学习/深度学习 数据可视化 Python
【一起撸个深度学习框架】6 折与曲的相会——激活函数(1)
6 折与曲的相会——激活函数🍈 1 前言 在上一节,我们实现了一个“自适应线性单元”,不断地将一个一次函数的输入和输出“喂”给它,它就可以自动地找到一次函数y = w x + b y=wx+by=wx+b中合适的参数值w和b。计算图通过前向传播和反向传播,初步展现了它的神奇之处。
53 0
|
15天前
|
机器学习/深度学习 存储 自然语言处理
一文带你了解【深度学习】中CNN、RNN、LSTM、DBN等神经网络(图文解释 包括各种激活函数)
一文带你了解【深度学习】中CNN、RNN、LSTM、DBN等神经网络(图文解释 包括各种激活函数)
136 0
|
6月前
|
机器学习/深度学习 移动开发 自然语言处理
快速入门深度学习4.1(用时1h)——多层感知器
快速入门深度学习4.1(用时1h)——多层感知器
92 0
|
8月前
|
机器学习/深度学习 并行计算
深度学习方差代价函数误差评估
深度学习方差代价函数误差评估
33 0

相关实验场景

更多