自己动手,编写神经网络程序,解决Mnist问题,并网络化部署-编写网络
基于《神经网络和深度学习》这本绝好的教材提供的相关资料和代码,我们自己动手编写“随机取样的梯度下降神经网络”。为了更好地说明问题,我们先从简单的开始:
1、sigmod函数,基本上就是基于定义的;
#########helper函数########
#计算sigmoid,这个函数来自定义
def
sigmoid(
z):
return
1.0/(
1.0+np.exp(-z))
#计算sigmoid的导数,这个函数可以被证明
def
sigmoid_prime(
z):
return sigmoid(z)*(
1 - sigmoid(z))
2、构造函数
###########Main函数########
#使用例子 net = GoNetwork([2, 3, 1])
class
GoNetwork(
object):
def
__init__(
self,
sizes):
#构造函数
self.num_layers =
len(sizes)
#层数
self.sizes = sizes
#每层size
#随机生成子节点
self.biases= [np.random.randn(y,
1)
for y
in sizes[
1:]]
# net.weights[1] 是一个存储着连接第二层和第三层神经元权重的 Numpy 矩阵。
self.weights = [np.random.randn(y, x)
for x, y
in
zip(sizes[:-
1], sizes[
1:])]
这个地方有以下几个地方,一个是在Python中类和类的构造函数是这样定义的;二个是Python如何体现出其强大的数据处理能力的。
这里,如果
sizes = [2, 3, 1]
则sizes [1:] = [3,1]
numpy.random.randn(d0, d1, ..., dn)
这个函数的作用就是从标准正态分布中返回一个或多个样本值,比如
bbb = [np.random.randn(
3,
2)]
表示的是生成3X2的随机序列,可以这样来使用,就是加上偏置了
2.5 * np.random.randn(2, 4) + 3
返回:
array([[ 4.128****53, 1.764****44 , 2.732****92, 2.90839231],
[
0.174****86,
4.92026887, 1.574****66, -0.4305991 ]])
aaa =[ np.random.randn(y,
1)
for y
in sizes[
1:]]
这是一种Python的连写方法,这里就是对[3,1]分别生成随机序列。这个随机是用来干什么的?就是随机的权值。
描述 zip() 函数用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的列表
这里
zip(sizes[:-1], sizes[1:])
表示的是将第1、2层之间,2、3层之间的全连接生成随机权值。
3、前向网络,主要用于测试当前网络
def
feedforward(
self,
a):
for b,w
in
zip(
self.biases,
self.weights):
a = sigmoid(np.dot(w,a)+b)
return a
非常直接的按照定义,进行上一层到下一层的前向
计算,注意这里得到的a也是x行1列的一个矩阵
4、评价函数,基本上也是按照定义进行设定的
def
evaluate(
self,
test_data):
test_results = [(np.argmax(
self.feedforward(x)), y)
#这里需要注意feedforward的参数x,实际上它是一个in/out参数。
for (x, y)
in test_data]
return
sum(
int(x == y)
for (x, y)
in test_results)
#做出了正确的预测
这个地方调用了feedforward(x),并且和y进行比较,得到准确比对有哪些。应该说代码非常精简。
5、代价函数
#cost代价函数
def
cost_derivative(
self,
output_activations,
y):
return (output_activations-y)
以上几项都是非常好理解的,基本上你看到的立刻就能够理解,需要补充的知识并不是很多。结合上一课的相关知识,我们这里提出的所谓随机,就是提取很小的一块数据,而后进行计算梯度下降参数,更新网络的权重和偏置
def
update_mini_batch(
self,
mini_batch,
eta):
nabla_b = [np.zeros(b.shape)
for b
in
self.biases]
#生成b和w形状的以0填充的矩阵
nabla_w = [np.zeros(w.shape)
for w
in
self.weights]
for x, y
in mini_batch:
delta_nabla_b, delta_nabla_w =
self.backprop(x, y)
#理解反向传播就是一种快速计算梯度的方法
nabla_b = [nb+dnb
for nb, dnb
in
zip(nabla_b, delta_nabla_b)]
nabla_w = [nw+dnw
for nw, dnw
in
zip(nabla_w, delta_nabla_w)]
self.weights = [w-(eta/
len(mini_batch))*nw
for w, nw
in
zip(
self.weights, nabla_w)]
self.biases = [b-(eta/
len(mini_batch))*nb
for b, nb
in
zip(
self.biases, nabla_b)]
其中
nabla_b = [np.zeros(b.shape) for b in self.biases]
nabla_w = [np.zeros(w.shape) for w in self.weights]
生成b和w形状的以0填充的矩阵,这里就是用来填充原始数据的。
在这个小循环里面,我们可以以“黑箱”的形式来理解backprop函数,就是一种用来计算最快下降梯度的方法。
for x, y in mini_batch:
delta_nabla_b, delta_nabla_w = self.backprop(x, y)
nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
在这里,我们便历所有的mini_batch,注意在上面这行代码中,
而后,引入eta,以这个梯度作为
delta_nabla_b,
delta_nabla_w
的初始值都为空.
这样,我们按照定义进行了一次小数据的更新。其能够完成,是因为backprop为我们成功计算了代价函数的两个梯度。
6、后向传播函数,其目的是进行梯度下降计算,是最为复杂的部分
#反向传播就是一种快速计算代价函数梯度的方法,也就是计算delta的一种方法
def
backprop(
self,
x,
y):
#都以空矩阵来进行初始化
nabla_b = [np.zeros(b.shape)
for b
in
self.biases]
nabla_w = [np.zeros(w.shape)
for w
in
self.weights]
# feedforward
activation = x
activations = [x]
# list to store all the activations, layer by layer
zs = []
# list to store all the z vectors, layer by layer
for b, w
in
zip(
self.biases,
self.weights):
z = np.dot(w, activation)+b
#前向传播
zs.append(z)
activation = sigmoid(z)
activations.append(activation)
# backward pass
delta =
self.cost_derivative(activations[-
1], y) * \
sigmoid_prime(zs[-
1])
nabla_b[-
1] = delta
nabla_w[-
1] = np.dot(delta, activations[-
2].transpose())
for l
in
range(
2,
self.num_layers):
z = zs[-l]
sp = sigmoid_prime(z)
delta = np.dot(
self.weights[-l+
1].transpose(), delta) * sp
nabla_b[-l] = delta
nabla_w[-l] = np.dot(delta, activations[-l-
1].transpose())
return (nabla_b, nabla_w)
其中内容比较复杂,一条一条进行解释
nabla_b = [np.zeros(b.shape)
for b
in
self.biases]
nabla_w = [np.zeros(w.shape)
for w
in
self.weights]
生成空矩阵
# feedforward
activation = x
activations = [x]
# list to store all the activations, layer by layer
zs = []
# list to store all the z vectors, layer by layer
for b, w
in
zip(
self.biases,
self.weights):
z = np.dot(w, activation)+b
#前向传播
zs.append(z)
activation = sigmoid(z)
activations.append(activation)
前向计算,保存所有b、w和 z。后面的几行代码,主要都是和4个公式严格对应的
delta =
self.cost_derivative(activations[-
1], y) * sigmoid_prime(zs[-
1])
对应BP1
nabla_b[-
1] = delta
nabla_w[-
1] = np.dot(delta, activations[-
2].transpose())
分别对应BP3和BP4,就是最后来计算具体的梯度值
delta = np.dot(
self.weights[-l+
1].transpose(), delta) * sp
对应BP2,反向计算。
7、
随机梯度下降算法,到了这里也就是将上面的合起来
#随机梯度下降算法
def
SGD(
self,
training_data,
epochs,
mini_batch_size,
eta,
test_data=
None):
training_data =
list(training_data)
n =
len(training_data)
if test_data:
test_data =
list(test_data)
n_test =
len(test_data)
#⾸先随机地将训练数据打乱
for j
in
range(epochs):
random.shuffle(training_data)
#再将它分成多个适当⼤⼩的⼩批量数据
mini_batches = [
training_data[k:k+mini_batch_size]
for k
in
range(
0, n, mini_batch_size)]
for mini_batch
in mini_batches:
#最主要的一行代码
self.update_mini_batch(mini_batch, eta)
if test_data:
print(
"Epoch
{}
:
{}
/
{}
".format(j,
self.evaluate(test_data),n_test))
else:
print(
"Epoch
{}
complete".format(j))
主要优化的地方,就是将原较大的数据集分成多个部分,而后遍历所有的部分,进行梯度下降运算,并且打印比较的结果。应该说再次体现了Python强大的集成编码能力。