欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

理解神经网络,从简单的例子开始(1)7行python代码构建神经网络

程序员文章站 2022-05-22 09:46:27
...

理解神经网络,从简单的例子开始(1)7行python代码构建神经网络

前言

本文分为两个部分,第一个部分是一个简单的实例:9行Python代码搭建神经网络,这篇文章原文为:原文链接, 其中中文翻译版来自:中文翻译版。已经转载如下。这个实例算是通俗易懂,只是,它更多的是(本人觉得)对于一个简单的神经网络整个过程的描述,对于初学者而言,阅读之后很可能还不是特别明白其中的原理。要明白其中的原理,需要更深入的思考:为什么能够这个神经网络能够预测结果?而本文就是在这个实例的基础之上的思考。这也就是本文的第二部分内容。

第一部分:简单的例子

(转载)
本文我会解释这个神经网络是怎样炼成的,所以你也可以搭建你自己的神经网络。也会提供一个加长版、但是也更漂亮的源代码。

不过首先,什么是神经网络?人脑总共有超过千亿个神经元细胞,通过神经突触相互连接。如果一个神经元被足够强的输入所**,那么它也会**其他神经元,这个过程就叫“思考”。

我们可以在计算机上创建神经网络,来对这个过程进行建模,且并不需要模拟分子级的生物复杂性,只要观其大略即可。为了简化起见,我们只模拟一个神经元,含有三个输入和一个输出。

理解神经网络,从简单的例子开始(1)7行python代码构建神经网络

我们将训练这个神经元来解决下面这个问题,前四个样本叫作“训练集”,你能求解出模式吗?”?”处应该是0还是1呢?
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
或许你已经发现了,输出总是与第一列的输入相等,所以?应该是1。

训练过程

问题虽然很简单,但是如何教会神经元来正确的回答这个问题呢?我们要给每个输入赋予一个权重,权重可能为正也可能为负。权重的绝对值,代表了输入对输出的决定权。在开始之前,我们先把权重设为随机数,再开始训练过程:

  1. 从训练集样本读取输入,根据权重进行调整,再代入某个特殊的方程计算神经元的输出。
  2. 计算误差,也就是神经元的实际输出和训练样本的期望输出之差。
  3. 根据误差的方向,微调权重。
  4. 重复10000次。

最终神经元的权重会达到训练集的最优值。如果我们让神经元去思考一个新的形势,遵循相同过程,应该会得到一个不错的预测。

计算神经元输出的方程

你可能会好奇,计算神经元输出的人“特殊方程”是什么?首先我们取神经元输入的加权总和:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
接下来我们进行正规化,将结果限制在0和1之间。这里用到一个很方便的函数,叫Sigmoid函数:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
如果绘出图像,Sigmoid函数是S形的曲线:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
将第一个公式代入第二个,即得最终的神经元输出方程:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络

调整权重的方程

在训练进程中,我们需要调整权重,但是具体如何调整呢?就要用到“误差加权导数”方程:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
为什么是这个方程?首先我们希望调整量与误差量成正比,然后再乘以输入(0-1)。如果输入为0,那么权重就不会被调整。最后乘以Sigmoid曲线的梯度,为便于理解,请考虑:

  1. 我们使用Sigmoid曲线计算神经元输出。
  2. 如果输出绝对值很大,这就表示该神经元是很确定的(有正反两种可能)。
  3. Sigmoid曲线在绝对值较大处的梯度较小。
  4. 如果神经元确信当前权重值是正确的,那么就不需要太大调整。乘以Sigmoid曲线的梯度可以实现。

Sigmoid曲线的梯度可由导数获得:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
代入公式可的最终的权重调整方程:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
实际上也有其他让神经元学习更快的方程,这里主要是取其相对简单的优势。

构建Python代码

尽管我们不直接用神经网络库,但还是要从Python数学库Numpy中导入4种方法:

  • exp: 自然对常数
  • array: 创建矩阵
  • dot:矩阵乘法
  • random: 随机数

比如我们用array()方法代表训练集:

training_set_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])
training_set_outputs = array([[0, 1, 1, 0]]).T

.T函数就是矩阵转置。我想现在可以来看看美化版的源代码了,最后我还会提出自己的终极思考。源代码中已经添加了注释逐行解释。注意每次迭代我们都一并处理了整个训练集,以下为完整的Python示例:

第二部分: 思考

神经网络学习属于深度学习,深度学习是机器学习的一个分支。机器学习的一般步骤为:预处理数据集。使用训练集数据训练模型,让模型更加优化。模型的优化过程可以理解为参数的调整过程,而一个模型可以理解为一个函数,一个函数由许多参数构成。训练结束之后,就可以做预测工作。

例子中有三个input,设置了三个参数,开始的时候这三个参数是随机产生的,在(-1, 1)范围之间。我们的任务就是让这三个参数能够根据误差自动调整大小,使得误差越来越小。现在我们的问题有:
1. 如何计算误差?
2. 如何让改变参数,变大还是减小?
3. 参数每一次变化的量是多少?这个改变的量是固定的吗?
我们会发现,这几个问题和梯度下降发求局部最优解很像。都是通过朝着一个“正确”的方向一点点逼近“最优”解。

第一个问题是如何计算误差。这个问题在上面转载的部分已经给出了。简单来讲就是使用实际的结果减去程序所计算的结果的差值。也就是代码中这部分:error = training_set_outputs - output

第二个问题涉及到了参数调整的方向性,也就是是应该增大参数呢还是减小参数的。例子中的计算方法是这样的:

adjustment=dot(training_set_inputs.T,error*self.__sigmoid_derivative(output))
self.synaptic_weights += adjustment

如果error小于0,那么程序计算的结果比实际的值大,所得的adjustment小于0,所以synaptic_weights 也随之变小,在下一轮迭代之后,synaptic_weights 会越来越小,直到error的值逼近0(虽然此时还是小于0)。

第三个问题是关于“步长”的问题。先来看这个公式:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
该公式对应的图像为:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
该公式的特点是,x值越大,y值越逼近1;x值越小,y值越逼近于-1。也就是x的绝对值越大,该函数所对应的斜率越小,也就是变化率越小,也即是所对应的导数的值越小。如果上面的公式用S表示,那么它的导数等于S*(1-S),也就是下面所示的公式:
Sigmoid曲线的梯度可由导数获得:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络
代入公式可的最终的权重调整方程:
理解神经网络,从简单的例子开始(1)7行python代码构建神经网络

对应的代码为:

output = self.think(training_set_inputs)
error = training_set_outputs - output
adjustment = dot(training_set_inputs.T,error*self.__sigmoid_derivative(output))

对应于上面的代码,如果output值接近于0.5,__sigmoid_derivative(output)所得到的值就很大(该函数表示sigmoid函数的导数),因为斜率很大,相应地,步长很大。如果output的值很大或者很小,对应的斜率很小,所以它的步长就小。但是,如果实际的值为1,而output的值是一个负值而且很小,这会怎么样呢?开始的时候,步长会很小,随着算法的迭代,output值会越来越逼近实际值(也就是1),这时候步长逐渐变大,直到output大于0,这时候步长开始逐渐变小。这个体现在sigmoid函数的斜率从小变大再变小的过程。所以,随着算法的迭代,随着计算的结果越来越逼近真实结果,步长会逐渐变小。

最后,在英文版原文中有python代码,可以直接粘贴复制,如果xrange函数报错,就改为range。

结束,感谢!

最后贴一下代码:

from numpy import exp, array, random, dot


class NeuralNetwork():
    def __init__(self):
        # Seed the random number generator, so it generates the same numbers
        # every time the program runs.
        # random.seed(1)

        # We model a single neuron, with 3 input connections and 1 output connection.
        # We assign random weights to a 3 x 1 matrix, with values in the range -1 to 1
        # and mean 0.
        # random() -> [0, 1)
        self.synaptic_weights = 2 * random.random((3, 1)) - 1

    # The Sigmoid function, which describes an S shaped curve.
    # We pass the weighted sum of the inputs through this function to
    # normalise them between 0 and 1.
    def __sigmoid(self, x):
        return 1 / (1 + exp(-x))

    # The derivative of the Sigmoid function.
    # This is the gradient of the Sigmoid curve.
    # It indicates how confident we are about the existing weight.
    def __sigmoid_derivative(self, x):
        return x * (1 - x)

    # We train the neural network through a process of trial and error.
    # Adjusting the synaptic weights each time.
    def train(self, training_set_inputs, training_set_outputs, number_of_training_iterations):
        for iteration in range(number_of_training_iterations):
            # Pass the training set through our neural network (a single neuron).
            output = self.think(training_set_inputs)

            # Calculate the error (The difference between the desired output
            # and the predicted output).
            error = training_set_outputs - output

            # Multiply the error by the input and again by the gradient of the Sigmoid curve.
            # This means less confident weights are adjusted more.
            # This means inputs, which are zero, do not cause changes to the weights.
            adjustment = dot(training_set_inputs.T, error * self.__sigmoid_derivative(output))

            # Adjust the weights.
            self.synaptic_weights += adjustment

    # The neural network thinks.
    def think(self, inputs):
        # Pass inputs through our neural network (our single neuron).
        return self.__sigmoid(dot(inputs, self.synaptic_weights));



if __name__ == "__main__":

    #Intialise a single neuron neural network.
    neural_network = NeuralNetwork()

    print("Random starting synaptic weights: ")
    print(neural_network.synaptic_weights)

    # The training set. We have 4 examples, each consisting of 3 input values
    # and 1 output value.
    training_set_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])
    training_set_outputs = array([[0, 1, 1, 0]]).T

    # Train the neural network using a training set.
    # Do it 10,000 times and make small adjustments each time.
    neural_network.train(training_set_inputs, training_set_outputs, 10000)

    print ("New synaptic weights after training: ")
    print( neural_network.synaptic_weights)

    # Test the neural network with a new situation.
    print ("Considering new situation [1, 0, 0] -> ?: ")
    print (neural_network.think(array([1, 0, 0])))