如何用Python實現常見機器學習算法-3
三、BP神經網絡
1、神經網絡模型
首先介紹三層神經網絡,如下圖
輸入層(input layer)有三個units(為補上的bias,通常設為1)
表示第j層的第i個激勵,也稱為單元unit
為第j層到第j+1層映射的權重矩陣,就是每條邊的權重
所以可以得到:
隱含層:
輸出層:
其中,S型函數,也成為激勵函數
可以看出為3??4的矩陣,為1??4的矩陣
==》j+1的單元數x(j層的單元數+1)
2、代價函數
假設最後輸出的,即代表輸出層有K個單元
其中,代表第i個單元輸出與邏輯回歸的代價函數
差不多,就是累加上每個輸出(共有K個輸出)
3、正則化
L-->所有層的個數
正則化後的代價函數為
共有L-1層,然後是累加對應每一層的theta矩陣,註意不包含加上偏置項對應的theta(0)
正則化後的代價函數實現代碼:
1 # 代價函數 2 def nnCostFunction(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda): 3 length = nn_params.shape[0] # theta的中長度 4 # 還原theta1和theta2 5 Theta1 = nn_params[0:hidden_layer_size*(input_layer_size+1)].reshape(hidden_layer_size,input_layer_size+1)6 Theta2 = nn_params[hidden_layer_size*(input_layer_size+1):length].reshape(num_labels,hidden_layer_size+1) 7 8 # np.savetxt("Theta1.csv",Theta1,delimiter=‘,‘) 9 10 m = X.shape[0] 11 class_y = np.zeros((m,num_labels)) # 數據的y對應0-9,需要映射為0/1的關系 12 # 映射y 13 for i inrange(num_labels): 14 class_y[:,i] = np.int32(y==i).reshape(1,-1) # 註意reshape(1,-1)才可以賦值 15 16 ‘‘‘去掉theta1和theta2的第一列,因為正則化時從1開始‘‘‘ 17 Theta1_colCount = Theta1.shape[1] 18 Theta1_x = Theta1[:,1:Theta1_colCount] 19 Theta2_colCount = Theta2.shape[1] 20 Theta2_x = Theta2[:,1:Theta2_colCount] 21 # 正則化向theta^2 22 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)))) 23 24 ‘‘‘正向傳播,每次需要補上一列1的偏置bias‘‘‘ 25 a1 = np.hstack((np.ones((m,1)),X)) 26 z2 = np.dot(a1,np.transpose(Theta1)) 27 a2 = sigmoid(z2) 28 a2 = np.hstack((np.ones((m,1)),a2)) 29 z3 = np.dot(a2,np.transpose(Theta2)) 30 h = sigmoid(z3) 31 ‘‘‘代價‘‘‘ 32 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 33 34 return np.ravel(J)
4、反向傳播BP
上面正向傳播可以計算得到J(θ),使用梯度下降算法還需要求它的梯度
BP反向傳播的目的就是求代價函數的梯度
假設4層的神經網絡,記為-->l層第j個單元的誤差
沒有,因為對於輸入沒有誤差,因為S型函數的倒數為:
所以上面的和可以在前向傳播中計算出來
反向傳播計算梯度的過程為:
for i=1-m:
正向傳播計算(l=2,3,4...L)
最後,即得到代價函數的梯度
代碼實現:
1 # 梯度 2 def nnGradient(nn_params,input_layer_size,hidden_layer_size,num_labels,X,y,Lambda): 3 length = nn_params.shape[0] 4 Theta1 = nn_params[0:hidden_layer_size*(input_layer_size+1)].reshape(hidden_layer_size,input_layer_size+1) 5 Theta2 = nn_params[hidden_layer_size*(input_layer_size+1):length].reshape(num_labels,hidden_layer_size+1) 6 m = X.shape[0] 7 class_y = np.zeros((m,num_labels)) # 數據的y對應0-9,需要映射為0/1的關系 8 # 映射y 9 for i in range(num_labels): 10 class_y[:,i] = np.int32(y==i).reshape(1,-1) # 註意reshape(1,-1)才可以賦值 11 12 ‘‘‘去掉theta1和theta2的第一列,因為正則化時從1開始‘‘‘ 13 Theta1_colCount = Theta1.shape[1] 14 Theta1_x = Theta1[:,1:Theta1_colCount] 15 Theta2_colCount = Theta2.shape[1] 16 Theta2_x = Theta2[:,1:Theta2_colCount] 17 18 Theta1_grad = np.zeros((Theta1.shape)) #第一層到第二層的權重 19 Theta2_grad = np.zeros((Theta2.shape)) #第二層到第三層的權重 20 21 Theta1[:,0] = 0; 22 Theta2[:,0] = 0; 23 ‘‘‘正向傳播,每次需要補上一列1的偏置bias‘‘‘ 24 a1 = np.hstack((np.ones((m,1)),X)) 25 z2 = np.dot(a1,np.transpose(Theta1)) 26 a2 = sigmoid(z2) 27 a2 = np.hstack((np.ones((m,1)),a2)) 28 z3 = np.dot(a2,np.transpose(Theta2)) 29 h = sigmoid(z3) 30 31 ‘‘‘反向傳播,delta為誤差,‘‘‘ 32 delta3 = np.zeros((m,num_labels)) 33 delta2 = np.zeros((m,hidden_layer_size)) 34 for i in range(m): 35 delta3[i,:] = h[i,:]-class_y[i,:] 36 Theta2_grad = Theta2_grad+np.dot(np.transpose(delta3[i,:].reshape(1,-1)),a2[i,:].reshape(1,-1)) 37 delta2[i,:] = np.dot(delta3[i,:].reshape(1,-1),Theta2_x)*sigmoidGradient(z2[i,:]) 38 Theta1_grad = Theta1_grad+np.dot(np.transpose(delta2[i,:].reshape(1,-1)),a1[i,:].reshape(1,-1)) 39 40 ‘‘‘梯度‘‘‘ 41 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 42 return np.ravel(grad)
5、BP可以求梯度的原因
實際是利用了鏈式求導法則
因為下一層的單元利用上一層的單元作為輸入進行計算
大體的推導過程如下,最終我們是想預測函數與已知的y非常接近,求均方差的梯度沿著此梯度方向可使代價函數最小化。可對照上面求梯度的過程。
求誤差更詳細的推導過程:
6、梯度檢查
檢查利用BP求的梯度是否正確
利用導數的定義驗證:
求出來的數值梯度應該與BP求出的梯度非常接近
驗證BP正確後就不需要再執行驗證梯度的算法了
代碼實現
1 # 檢驗梯度是否計算正確 2 # 檢驗梯度是否計算正確 3 def checkGradient(Lambda = 0): 4 ‘‘‘構造一個小型的神經網絡驗證,因為數值法計算梯度很浪費時間,而且驗證正確後之後就不再需要驗證了‘‘‘ 5 input_layer_size = 3 6 hidden_layer_size = 5 7 num_labels = 3 8 m = 5 9 initial_Theta1 = debugInitializeWeights(input_layer_size,hidden_layer_size); 10 initial_Theta2 = debugInitializeWeights(hidden_layer_size,num_labels) 11 X = debugInitializeWeights(input_layer_size-1,m) 12 y = 1+np.transpose(np.mod(np.arange(1,m+1), num_labels))# 初始化y 13 14 y = y.reshape(-1,1) 15 nn_params = np.vstack((initial_Theta1.reshape(-1,1),initial_Theta2.reshape(-1,1))) #展開theta 16 ‘‘‘BP求出梯度‘‘‘ 17 grad = nnGradient(nn_params, input_layer_size, hidden_layer_size, 18 num_labels, X, y, Lambda) 19 ‘‘‘使用數值法計算梯度‘‘‘ 20 num_grad = np.zeros((nn_params.shape[0])) 21 step = np.zeros((nn_params.shape[0])) 22 e = 1e-4 23 for i in range(nn_params.shape[0]): 24 step[i] = e 25 loss1 = nnCostFunction(nn_params-step.reshape(-1,1), input_layer_size, hidden_layer_size, 26 num_labels, X, y, 27 Lambda) 28 loss2 = nnCostFunction(nn_params+step.reshape(-1,1), input_layer_size, hidden_layer_size, 29 num_labels, X, y, 30 Lambda) 31 num_grad[i] = (loss2-loss1)/(2*e) 32 step[i]=0 33 # 顯示兩列比較 34 res = np.hstack((num_grad.reshape(-1,1),grad.reshape(-1,1))) 35 print res
7、權重的隨機初始化
神經網絡不能像邏輯回歸那樣初始化theta為0,因為若是每條邊的權重都為0,每個神經元都是相同的輸出,在反向傳播中也會得到同樣的梯度,最終只會預測一種結果。
所以應該初始化為接近0的數
代碼實現
1 # 隨機初始化權重theta 2 def randInitializeWeights(L_in,L_out): 3 W = np.zeros((L_out,1+L_in)) # 對應theta的權重 4 epsilon_init = (6.0/(L_out+L_in))**0.5 5 W = np.random.rand(L_out,1+L_in)*2*epsilon_init-epsilon_init # np.random.rand(L_out,1+L_in)產生L_out*(1+L_in)大小的隨機矩陣 6 return W
8、預測
正向傳播預測結果
代碼實現
1 # 預測 2 def predict(Theta1,Theta2,X): 3 m = X.shape[0] 4 num_labels = Theta2.shape[0] 5 #p = np.zeros((m,1)) 6 ‘‘‘正向傳播,預測結果‘‘‘ 7 X = np.hstack((np.ones((m,1)),X)) 8 h1 = sigmoid(np.dot(X,np.transpose(Theta1))) 9 h1 = np.hstack((np.ones((m,1)),h1)) 10 h2 = sigmoid(np.dot(h1,np.transpose(Theta2))) 11 12 ‘‘‘ 13 返回h中每一行最大值所在的列號 14 - np.max(h, axis=1)返回h中每一行的最大值(是某個數字的最大概率) 15 - 最後where找到的最大概率所在的列號(列號即是對應的數字) 16 ‘‘‘ 17 #np.savetxt("h2.csv",h2,delimiter=‘,‘) 18 p = np.array(np.where(h2[0,:] == np.max(h2, axis=1)[0])) 19 for i in np.arange(1, m): 20 t = np.array(np.where(h2[i,:] == np.max(h2, axis=1)[i])) 21 p = np.vstack((p,t)) 22 return p
9、輸出結果
梯度檢查
隨機顯示100個手寫數字
顯示theta1權重
訓練集預測準確度
歸一化後訓練集預測準確度
如何用Python實現常見機器學習算法-3