BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想说到神经网络,大家看到这个图应该不陌生:这是典型的三层神经网络的基本构成,LayerL1是输入层,LayerL2是隐含层,LayerL3是隐含层,我们现在手里有一堆数据{x1,x2,x3,…,

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

说到神经网络,大家看到这个图应该不陌生:

BP算法详解_bp算法的基本思想

       这是典型的三层神经网络的基本构成,Layer L1是输入层,Layer L2是隐含层,Layer L3是隐含层,我们现在手里有一堆数据{x1,x2,x3,…,xn},输出也是一堆数据{y1,y2,y3,…,yn},现在要他们在隐含层做某种变换,让你把数据灌进去后得到你期望的输出。如果你希望你的输出和原始输入一样,那么就是最常见的自编码模型(Auto-Encoder)。可能有人会问,为什么要输入输出都一样呢?有什么用啊?其实应用挺广的,在图像识别,文本分类等等都会用到。如果你的输出和原始输入不一样,那么就是很常见的人工神经网络了,相当于让原始数据通过一个映射来得到我们想要的输出数据,也就是我们今天要讲的话题。

  本文直接举一个例子,带入数值演示反向传播法的过程,其实也很简单,感兴趣的同学可以自己推导下试试:)(注:本文假设你已经懂得基本的神经网络构成,如果完全不懂,可以参考Poll写的笔记:[Mechine Learning & Algorithm] 神经网络基础

  假设,你有这样一个网络层:

BP算法详解_bp算法的基本思想

  第一层是输入层,包含两个神经元i1,i2,和截距项b1;第二层是隐含层,包含两个神经元h1,h2和截距项b2,第三层是输出o1,o2,每条线上标的wi是层与层之间连接的权重,激活函数我们默认为sigmoid函数。

  现在对他们赋上初值,如下图:

BP算法详解_bp算法的基本思想

  其中,输入数据  i1=0.05,i2=0.10;

     输出数据 o1=0.01,o2=0.99;

     初始权重  w1=0.15,w2=0.20,w3=0.25,w4=0.30;

           w5=0.40,w6=0.45,w7=0.50,w8=0.55

       目标:给出输入数据i1,i2(0.05和0.10),使输出尽可能与原始输出o1,o2(0.01和0.99)接近。

Step 1 前向传播

  1.输入层—->隐含层:

  计算神经元h1的输入加权和:

BP算法详解_bp算法的基本思想

       神经元h1的输出o1:(此处用到激活函数为sigmoid函数):

BP算法详解_bp算法的基本思想

     同理,可计算出神经元h2的输出o2:

BP算法详解_bp算法的基本思想

  

 2.隐含层—->输出层:

  计算输出层神经元o1和o2的值: 

BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

       这样前向传播的过程就结束了,我们得到输出值为[0.75136079 , 0.772928465],与实际值[0.01 , 0.99]相差还很远,现在我们对误差进行反向传播,更新权值,重新计算输出。

Step 2 反向传播

1.计算总误差

       总误差:(square error)

BP算法详解_bp算法的基本思想

       但是有两个输出,所以分别计算o1和o2的误差,总误差为两者之和:

BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

      

 

 

 

2.隐含层—->输出层的权值更新:

       以权重参数w5为例,如果我们想知道w5对整体误差产生了多少影响,可以用整体误差对w5求偏导求出:(链式法则)

BP算法详解_bp算法的基本思想

       下面的图可以更直观的看清楚误差是怎样反向传播的:

BP算法详解_bp算法的基本思想

      现在我们来分别计算每个式子的值:

     计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

       计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

(这一步实际上就是对sigmoid函数求导,比较简单,可以自己推导一下)

        计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

        最后三者相乘:

BP算法详解_bp算法的基本思想

       这样我们就计算出整体误差E(total)对w5的偏导值。

      回过头来再看看上面的公式,我们发现:

BP算法详解_bp算法的基本思想

      为了表达方便,用BP算法详解_bp算法的基本思想来表示输出层的误差:

BP算法详解_bp算法的基本思想

     因此,整体误差E(total)对w5的偏导公式可以写成:

BP算法详解_bp算法的基本思想

     如果输出层误差计为负的话,也可以写成:

BP算法详解_bp算法的基本思想

     最后我们来更新w5的值:

BP算法详解_bp算法的基本思想

(其中,BP算法详解_bp算法的基本思想是学习速率,这里我们取0.5)

同理,可更新w6,w7,w8:

BP算法详解_bp算法的基本思想

3.隐含层—->隐含层的权值更新:

     方法其实与上面说的差不多,但是有个地方需要变一下,在上文计算总误差对w5的偏导时,是从out(o1)—->net(o1)—->w5,但是在隐含层之间的权值更新时,是out(h1)—->net(h1)—->w1,而out(h1)会接受E(o1)和E(o2)两个地方传来的误差,所以这个地方两个都要计算。

 

BP算法详解_bp算法的基本思想

      计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

       先计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

同理,计算出:

          BP算法详解_bp算法的基本思想

两者相加得到总值:

BP算法详解_bp算法的基本思想

再计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

再计算BP算法详解_bp算法的基本思想

BP算法详解_bp算法的基本思想

最后,三者相乘:

BP算法详解_bp算法的基本思想

 为了简化公式,用sigma(h1)表示隐含层单元h1的误差:

BP算法详解_bp算法的基本思想

最后,更新w1的权值:

BP算法详解_bp算法的基本思想

同理,额可更新w2,w3,w4的权值:

BP算法详解_bp算法的基本思想

       这样误差反向传播法就完成了,最后我们再把更新的权值重新计算,不停地迭代,在这个例子中第一次迭代之后,总误差E(total)由0.298371109下降至0.291027924。迭代10000次后,总误差为0.000035085,输出为[0.015912196,0.984065734](原输入为[0.01,0.99]),证明效果还是不错的。

BP算法改进

BP算法易形成局部极小而得不到全局最优,训练次数多使得学习效率低,存在收敛速度慢等问题。

       传统的BP算法改进主要有两类:

                 启发式算法:如附加动量法,自适应算法。

                 数值优化算法:如共轭梯度法、牛顿迭代法等。

1,附加动量项

       这是一种广泛用于加速梯度下降法收敛的优化方法。附加动量法面临学习率的选取的困难,进而产生收敛速度与收敛性之间的矛盾。

       核心思想:在梯度下降搜索时,若当前梯度下降与之前梯度下降方向相同,则加速搜索,反之则减速搜索。

       标准BP算法的参数更新项为:

                               ∆ω(t)= ηg(t)

       式中,∆ω(t)为第t次迭代的参数调整量,η为学习率,g(t)为第t次迭代所计算出的梯度。

       添加动量项之后,基于梯度下降的参数更新为:

                             ∆ωt= ηgt+α∆ωt-1

       式中α被称为动量系数,一般α∈(0,1),α∆ω(t-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用。

2,自适应学习率

      核心思想:自适应改变学习率,使其根据环境变化增大或减小。

              ηt=σ(t)η(t-1)

     上式中,σ(t)为第 t 次迭代时的自适应学习速率因子。

3,引入陡度因子

     核心思想:如果在调整进入平坦区后,设法压缩神经元的净输入,使其输出退出激活函数的不饱和区,就可以改变误差函数的形状,从而使调整脱离平坦区。

在原激活函数中引入一个陡度因子λ

                                                        o=\frac{1}{1+e^{-\frac{net}{\lambda }}}

 1 #coding:utf-8  2 import random  3 import math  4  5 #  6 # 参数解释:  7 # "pd_" :偏导的前缀  8 # "d_" :导数的前缀  9 # "w_ho" :隐含层到输出层的权重系数索引  10 # "w_ih" :输入层到隐含层的权重系数的索引  11  12 class NeuralNetwork:  13 LEARNING_RATE = 0.5  14  15 def __init__(self, num_inputs, num_hidden, num_outputs, hidden_layer_weights =None,hidden_layer_bias = None, output_layer_weights = None, output_layer_bias = None):  16 self.num_inputs = num_inputs  17  18 self.hidden_layer = NeuronLayer(num_hidden, hidden_layer_bias)  19 self.output_layer = NeuronLayer(num_outputs, output_layer_bias)  20  21  self.init_weights_from_inputs_to_hidden_layer_neurons(hidden_layer_weights)  22  self.init_weights_from_hidden_layer_neurons_to_output_layer_neurons(output_layer_weights)  23  24 def init_weights_from_inputs_to_hidden_layer_neurons(self, hidden_layer_weights):  25 weight_num = 0  26 for h in range(len(self.hidden_layer.neurons)):  27 for i in range(self.num_inputs):  28 if not hidden_layer_weights:  29  self.hidden_layer.neurons[h].weights.append(random.random())  30 else:  31  self.hidden_layer.neurons[h].weights.append(hidden_layer_weights[weight_num])  32 weight_num += 1  33  34 def init_weights_from_hidden_layer_neurons_to_output_layer_neurons(self, output_layer_weights):  35 weight_num = 0  36 for o in range(len(self.output_layer.neurons)):  37 for h in range(len(self.hidden_layer.neurons)):  38 if not output_layer_weights:  39  self.output_layer.neurons[o].weights.append(random.random())  40 else:  41  self.output_layer.neurons[o].weights.append(output_layer_weights[weight_num])  42 weight_num += 1  43  44 def inspect(self):  45 print('------')  46 print('* Inputs: {}'.format(self.num_inputs))  47 print('------')  48 print('Hidden Layer')  49  self.hidden_layer.inspect()  50 print('------')  51 print('* Output Layer')  52  self.output_layer.inspect()  53 print('------')  54  55 def feed_forward(self, inputs):  56 hidden_layer_outputs = self.hidden_layer.feed_forward(inputs)  57 return self.output_layer.feed_forward(hidden_layer_outputs)  58  59 def train(self, training_inputs, training_outputs):  60  self.feed_forward(training_inputs)  61  62 # 1. 输出神经元的值  63 pd_errors_wrt_output_neuron_total_net_input = [0] * len(self.output_layer.neurons)  64 for o in range(len(self.output_layer.neurons)):  65  66 # ∂E/∂zⱼ  67 pd_errors_wrt_output_neuron_total_net_input[o] = self.output_layer.neurons[o].calculate_pd_error_wrt_total_net_input(training_outputs[o])  68  69 # 2. 隐含层神经元的值  70 pd_errors_wrt_hidden_neuron_total_net_input = [0] * len(self.hidden_layer.neurons)  71 for h in range(len(self.hidden_layer.neurons)):  72  73 # dE/dyⱼ = Σ ∂E/∂zⱼ * ∂z/∂yⱼ = Σ ∂E/∂zⱼ * wᵢⱼ  74 d_error_wrt_hidden_neuron_output = 0  75 for o in range(len(self.output_layer.neurons)):  76 d_error_wrt_hidden_neuron_output += pd_errors_wrt_output_neuron_total_net_input[o] * self.output_layer.neurons[o].weights[h]  77  78 # ∂E/∂zⱼ = dE/dyⱼ * ∂zⱼ/∂  79 pd_errors_wrt_hidden_neuron_total_net_input[h] = d_error_wrt_hidden_neuron_output * self.hidden_layer.neurons[h].calculate_pd_total_net_input_wrt_input()  80  81 # 3. 更新输出层权重系数  82 for o in range(len(self.output_layer.neurons)):  83 for w_ho in range(len(self.output_layer.neurons[o].weights)):  84  85 # ∂Eⱼ/∂wᵢⱼ = ∂E/∂zⱼ * ∂zⱼ/∂wᵢⱼ  86 pd_error_wrt_weight = pd_errors_wrt_output_neuron_total_net_input[o] * self.output_layer.neurons[o].calculate_pd_total_net_input_wrt_weight(w_ho)  87  88 # Δw = α * ∂Eⱼ/∂wᵢ  89 self.output_layer.neurons[o].weights[w_ho] -= self.LEARNING_RATE * pd_error_wrt_weight  90  91 # 4. 更新隐含层的权重系数  92 for h in range(len(self.hidden_layer.neurons)):  93 for w_ih in range(len(self.hidden_layer.neurons[h].weights)):  94  95 # ∂Eⱼ/∂wᵢ = ∂E/∂zⱼ * ∂zⱼ/∂wᵢ  96 pd_error_wrt_weight = pd_errors_wrt_hidden_neuron_total_net_input[h] * self.hidden_layer.neurons[h].calculate_pd_total_net_input_wrt_weight(w_ih)  97  98 # Δw = α * ∂Eⱼ/∂wᵢ  99 self.hidden_layer.neurons[h].weights[w_ih] -= self.LEARNING_RATE * pd_error_wrt_weight 100 101 def calculate_total_error(self, training_sets): 102 total_error = 0 103 for t in range(len(training_sets)): 104 training_inputs, training_outputs = training_sets[t] 105  self.feed_forward(training_inputs) 106 for o in range(len(training_outputs)): 107 total_error += self.output_layer.neurons[o].calculate_error(training_outputs[o]) 108 return total_error 109 110 class NeuronLayer: 111 def __init__(self, num_neurons, bias): 112 113 # 同一层的神经元共享一个截距项b 114 self.bias = bias if bias else random.random() 115 116 self.neurons = [] 117 for i in range(num_neurons): 118  self.neurons.append(Neuron(self.bias)) 119 120 def inspect(self): 121 print('Neurons:', len(self.neurons)) 122 for n in range(len(self.neurons)): 123 print(' Neuron', n) 124 for w in range(len(self.neurons[n].weights)): 125 print(' Weight:', self.neurons[n].weights[w]) 126 print(' Bias:', self.bias) 127 128 def feed_forward(self, inputs): 129 outputs = [] 130 for neuron in self.neurons: 131  outputs.append(neuron.calculate_output(inputs)) 132 return outputs 133 134 def get_outputs(self): 135 outputs = [] 136 for neuron in self.neurons: 137  outputs.append(neuron.output) 138 return outputs 139 140 class Neuron: 141 def __init__(self, bias): 142 self.bias = bias 143 self.weights = [] 144 145 def calculate_output(self, inputs): 146 self.inputs = inputs 147 self.output = self.squash(self.calculate_total_net_input()) 148 return self.output 149 150 def calculate_total_net_input(self): 151 total = 0 152 for i in range(len(self.inputs)): 153 total += self.inputs[i] * self.weights[i] 154 return total + self.bias 155 156 # 激活函数sigmoid 157 def squash(self, total_net_input): 158 return 1 / (1 + math.exp(-total_net_input)) 159 160 161 def calculate_pd_error_wrt_total_net_input(self, target_output): 162 return self.calculate_pd_error_wrt_output(target_output) * self.calculate_pd_total_net_input_wrt_input(); 163 164 # 每一个神经元的误差是由平方差公式计算的 165 def calculate_error(self, target_output): 166 return 0.5 * (target_output - self.output) ** 2 167 168 169 def calculate_pd_error_wrt_output(self, target_output): 170 return -(target_output - self.output) 171 172 173 def calculate_pd_total_net_input_wrt_input(self): 174 return self.output * (1 - self.output) 175 176 177 def calculate_pd_total_net_input_wrt_weight(self, index): 178 return self.inputs[index] 179 180 181 # 文中的例子: 182 183 nn = NeuralNetwork(2, 2, 2, hidden_layer_weights=[0.15, 0.2, 0.25, 0.3],hidden_layer_bias=0.35, output_layer_weights=[0.4, 0.45, 0.5, 0.55],output_layer_bias=0.6) 184 for i in range(10000): 185 nn.train([0.05, 0.1], [0.01, 0.09]) 186 print(i, round(nn.calculate_total_error([[[0.05, 0.1], [0.01, 0.09]]]), 9)) 187 188 #另外一个例子,可以把上面的例子注释掉再运行一下: 189 190 # training_sets = [ 191 # [[0, 0], [0]], 192 # [[0, 1], [1]], 193 # [[1, 0], [1]], 194 # [[1, 1], [0]] 195 # ] 196 197 # nn = NeuralNetwork(len(training_sets[0][0]), 5, len(training_sets[0][1])) 198 # for i in range(10000): 199 # training_inputs, training_outputs = random.choice(training_sets) 200 # nn.train(training_inputs, training_outputs) 201 # print(i, nn.calculate_total_error(training_sets))

 

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/167528.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 试题库管理系统–数据库设计

    试题库管理系统–数据库设计一、概要设计1.1背景和意义目前,许多高校绝大多数课程还采用考教统一的模式来完成教学过程,这种传统的考试模式在教学到实施考试的过程带有很大的主观随意性和不规范性。另外随着各高校近年来学生规模的扩大,教学任务日益繁重,教师的工作量相应的不断增加。迫切需要计算机辅助教学系统来打破这种传统的教学模式,减轻教师的工作负担,提高教学质量。因此,本文研究设计了一个试题库管理系统,来解决和缓解高校课程

  • ubuntu clion goland 2022.01.4激活码[最新免费获取]2022.01.25

    (ubuntu clion goland 2022.01.4激活码)本文适用于JetBrains家族所有ide,包括IntelliJidea,phpstorm,webstorm,pycharm,datagrip等。IntelliJ2021最新激活注册码,破解教程可免费永久激活,亲测有效,下面是详细链接哦~https://javaforall.cn/100143.html…

  • linux修改文件权限为root_centos修改文件权限

    linux修改文件权限为root_centos修改文件权限将文件权限改为777的命令为chmod777文件名777说明:你可以在linux终端先输入ll,可以看到如:-rwx-r–r–(一共10个参数)第一个跟参数跟chmod无关,先不管.2-4参数:属于user5-7参数:属于group8-10参数:属于others接下来就简单了:r==>可读w==>可写x==>可执行…

  • tcp/ip和tcp协议(路由选择协议)

    一图看完本文一、计算机网络体系结构分层计算机网络体系结构分层计算机网络体系结构分层不难看出,TCP/IP与OSI在分层模块上稍有区别。OSI参考模型注重“通信协议必要的功能是什么”,而TCP/IP则更强调“在计算机上实现协议应该开发哪种程序”。二、TCP/IP基础1.TCP/IP的具体含义从字面意义上讲,有人可能会认为…

  • MySQL数据库:索引的实现原理

    MySQL数据库:索引的实现原理

  • js常用的4种截取字符串方法_js常用的4种截取字符串方法

    js常用的4种截取字符串方法_js常用的4种截取字符串方法字符串内是否包含某个字符串——indexOfvaroldString=“tongyuwan”;varnewString=oldString.indexOf(‘tong’);if(newStrong)

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号