人工神经网络ANN

作者:水奈樾人工智能爱好者

博客专栏:http://www.cnblogs.com/rucwxb/

神经网络是从生物领域自然的鬼斧神工中学习智慧的一种应用。人工神经网络(ANN)的发展经历的了几次高潮低谷,如今,随着数据爆发、硬件计算能力暴增、深度学习算法的优化,我们迎来了又一次的ANN雄起时代,以深度学习为首的人工神经网络,又一次走入人们的视野。

感知机模型perceptron

不再处理离散情况,而是连续的数值,学习时权值在变化,从而记忆存储学到的知识

神经元输入:类似于线性回归z =w1x1+w2x2 +⋯ +wnxn= wT・x(linear threshold unit (LTU))

神经元输出:激活函数,类似于二值分类,模拟了生物学中神经元只有激发和抑制两种状态。

增加偏值,输出层哪个节点权重大,输出哪一个。

采用Hebb准则,下一个权重调整方法参考当前权重和训练效果

#一个感知机的例子

importnumpyasnp

fromsklearn.datasetsimportload_iris

fromsklearn.linear_modelimportPerceptron

iris = load_iris()

X = iris.data[:, (2,3)]# petal length, petal width

y = (iris.target ==).astype(np.int)# Iris Setosa?

per_clf = Perceptron(random_state=42)

per_clf.fit(X, y)

y_pred = per_clf.predict([[2,0.5]]

之后有人提出,perceptron无法处理异或问题,但是,使用多层感知机(MLP)可以处理这个问题

defheaviside(z):

return(z >=).astype(z.dtype)

defsigmoid(z):

return1/(1+np.exp(-z))

#做了多层activation,手工配置权重

defmlp_xor(x1, x2, activation=heaviside):

returnactivation(-activation(x1 + x2 -1.5) + activation(x1 + x2 -0.5) -0.5)

如图所示,两层MLP,包含输入层,隐层,输出层。所谓的深度神经网络,就是隐层数量多一些。

激活函数

以下是几个激活函数的例子,其微分如右图所示

step是最早提出的一种激活函数,但是它在除0外所有点的微分都是0,没有办法计算梯度

logit和双曲正切函数tanh梯度消失,数据量很大时,梯度无限趋近于0,

relu在层次很深时梯度也不为0,无限传导下去。

如何自动化学习计算权重(backpropagation)

首先正向做一个计算,根据当前输出做一个error计算,作为指导信号反向调整前一层输出权重使其落入一个合理区间,反复这样调整到第一层,每轮调整都有一个学习率,调整结束后,网络越来越合理。

step函数换成逻辑回归函数σ(z) = 1 / (1 + exp(–z)),无论x落在哪个区域,最后都有一个非0的梯度可以使用,落在(0,1)区间。

双曲正切函数The hyperbolic tangent function tanh (z) = 2σ(2z) – 1,在(-1,1)的区间。

The ReLU function ReLU (z) = max (0, z),层次很深时不会越传递越小。

多分类时,使用softmax(logistics激活函数)最为常见。

使用MLP多分类输出层为softmax,隐层倾向于使用ReLU,因为向前传递时不会有数值越来越小得不到训练的情况产生。

以mnist数据集为例

import tensorflowastf

# construction phase

n_inputs =28*28# MNIST

# 隐藏层节点数目

n_hidden1 =300

n_hidden2 =100

n_outputs =10

X=tf.placeholder(tf.float32, shape=(None, n_inputs), name="X")

y=tf.placeholder(tf.int64, shape=(None), name="y")

def neuron_layer(X, n_neurons, name, activation=None):

withtf.name_scope(name):

n_inputs =int(X.get_shape()[1])

# 标准差初始设定,研究证明设为以下结果训练更快

stddev =2/ np.sqrt(n_inputs)

# 使用截断的正态分布,过滤掉极端的数据,做了一个初始权重矩阵,是input和neurons的全连接矩阵

init =tf.truncated_normal((n_inputs, n_neurons), stddev=stddev)

W =tf.Variable(init, name="weights")

# biases项初始化为

b=tf.Variable(tf.zeros([n_neurons]), name="biases")

# 该层输出

z=tf.matmul(X, W) +b

# 根据activation选择激活函数

ifactivation=="relu":

returntf.nn.relu(z)

else:

returnz

withtf.name_scope("dnn"):

# 算上输入层一共4层的dnn结构

hidden1 = neuron_layer(X, n_hidden1,"hidden1", activation="relu")

hidden2 = neuron_layer(hidden1, n_hidden2,"hidden2", activation="relu")

# 直接输出最后结果值

logits = neuron_layer(hidden2, n_outputs,"outputs")

# 使用TensorFlow自带函数实现,最新修改成dense函数

from tensorflow.contrib.layers import fully_connected

withtf.name_scope("dnn"):

hidden1 = fully_connected(X, n_hidden1, scope="hidden1")

hidden2 = fully_connected(hidden1, n_hidden2, scope="hidden2")

logits = fully_connected(hidden2, n_outputs, scope="outputs", activation_fn=None)

# 使用logits(网络输出)计算交叉熵,取均值为误差

withtf.name_scope("loss"):

xentropy =tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)

loss =tf.reduce_mean(xentropy, name="loss")

learning_rate =0.01

withtf.name_scope("train"):

optimizer =tf.train.GradientDescentOptimizer(learning_rate)

training_op = optimizer.minimize(loss)

withtf.name_scope("eval"):

correct =tf.nn.in_top_k(logits,y,1)

accuracy =tf.reduce_mean(tf.cast(correct,tf.float32))

init =tf.global_variables_initializer()

saver =tf.train.Saver()

# Execution Phase

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("/tmp/data/")

# 外层大循环跑400次,每个循环中小循环数据量50

n_epochs =400

batch_size =50

withtf.Session()assess:

init.run()

forepoch inrange(n_epochs):

foriteration inrange(mnist.train.num_examples // batch_size):

X_batch, y_batch = mnist.train.next_batch(batch_size)

sess.run(training_op, feed_dict={X: X_batch,y: y_batch})

acc_train = accuracy.eval(feed_dict={X: X_batch,y: y_batch})

acc_test = accuracy.eval(feed_dict={X: mnist.test.images,y: mnist.test.labels})

print(epoch,"Train accuracy:", acc_train,"Test accuracy:", acc_test)

# 下次再跑模型时不用再次训练了

save_path = saver.save(sess,"./my_model_final.ckpt")

# 下次调用

withtf.Session()assess:

saver.restore(sess,"./my_model_final.ckpt") #orbetter, use save_path

X_new_scaled = mnist.test.images[:20]

Z = logits.eval(feed_dict={X: X_new_scaled})

y_pred = np.argmax(Z, axis=1)

超参数设置

隐层数量:一般来说单个隐层即可,对于复杂问题,由于深层模型可以实现浅层的指数级别的效果,且每层节点数不多,加至overfit就不要再加了。

每层神经元数量:以漏斗形逐层递减,输入层最多,逐渐features更少代表性更强。

激活函数选择(activation function):隐层多选择ReLU,输出层多选择softmax

本文来自企鹅号 - 天善智能媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

文本挖掘:语义分析的一些方法

语义分析,本文指运用各种机器学习方法,挖掘与学习文本、图片等的深层次概念。 1 文本基本处理 在讲文本语义分析之前,我们先说下文本基本处理,因为它构成了语义分析...

4006
来自专栏人工智能头条

基于深层神经网络的命名实体识别技术

1714
来自专栏目标检测和深度学习

干货 | 目标检测入门,看这篇就够了(上)

作者 | 李家丞( 同济大学数学系本科在读,现格灵深瞳算法部实习生) 近年来,深度学习模型逐渐取代传统机器视觉方法而成为目标检测领域的主流算法,本系列文章将回顾...

33411
来自专栏大数据文摘

小白学数据:教你用Python实现简单监督学习算法

1714
来自专栏机器人网

机器学习:人工神经网络ANN

神经网络是从生物领域自然的鬼斧神工中学习智慧的一种应用。人工神经网络(ANN)的发展经历的了几次高潮低谷,如今,随着数据爆发、硬件计算能力暴增、深度学习算法的优...

3214
来自专栏机器之心

业界 | 苹果发文:全局语义信息能否改进神经语言模型?

在 iPhone 上输入文本、发掘用户可能感兴趣的新闻、查明用户遇到问题的答案,以及其他语言相关的任务都取决于稳健的自然语言处理(NLP)模型。词嵌入是一类 N...

842
来自专栏AI科技大本营的专栏

干货 | 目标检测入门,看这篇就够了(上)

作者 | 李家丞( 同济大学数学系本科在读,现格灵深瞳算法部实习生) 近年来,深度学习模型逐渐取代传统机器视觉方法而成为目标检测领域的主流算法,本系列文章将回顾...

3.9K14
来自专栏marsggbo

论文笔记系列-Neural Network Search :A Survey

论文 笔记 NAS automl survey review reinforcement learning Bayesian Optimization evol...

1663
来自专栏机器之心

专栏 | 极限元语音算法专家刘斌:基于深度学习的语音生成问题

机器之心专栏 作者:刘斌 深度学习在 2006 年崭露头角后,近几年取得了快速发展,在学术界和工业界均呈现出指数级增长的趋势;伴随着这项技术的不断成熟,深度...

3748
来自专栏大数据文摘

斯坦福深度学习课程第三弹:神经网络与反向传播

25513

扫码关注云+社区