机器学习(18)——神经网络算法思想:从线性思想到最基础神经网络神经网络算法

前言: 关于“神经网络”这个词想必对人工智能感兴趣额的早已经熟得不能再熟悉了,在机器学习和认知科学领域,人工神经网络(artificial neural network,缩写ANN),简称神经网络(neural network,缩写NN)或类神经网络,是一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。 本章将从神经网络的最基本出发,用最简单明了的语言来介绍神经网络算法。 本文主要涉及到的知识点有:

  • 前向传播
  • 优化
  • 反向传播
  • 算法思想:从线性思想到最基础神经网络

在这里我们经常困惑于经常提到的“神经元”,其实神经网络的结构远没有神经元那样复杂和可怕,下面我们通过以前学到的东西进行一个组合,就会发现原来神经网络竟然是这样的简单,别再忽悠我说“神经元”了。 线性分类 在对数据进行分类的时候,比如二分类问题,最简单的是找到一条直线将不同数据分割到数据的两边。如下图所示:

image.png

当是线性多分类问题的时候通常用一种前面学到的算法—softmax算法。 这里以图像分类为例吧,假如我们构建的softmax分类器是一个十分类器,输入如图的图像,通过得分函数,得到此图片为猫的概率最大,则分类器认为这个图片是猫。加入不是猫,则可以写出损失函数。

image.png

上述用数学描述如下: 将输入数据x,通常是矩阵,和给定的参数w的乘积加上截距b。结果得到的得分函数和损失函数如下:

image.png

过拟合

当模型过拟合,解决的办法就是加入正则项系数,这在前面的关于线性模型中也提到过,改进后的损失函数为

归一化 为了使得最后的结果以概率的形的出现,一般都是先指数化数据,在做一个归一化操作。 激活函数 这个在线性模型的基础上加的,目的是为了是在非线性分类中表现出良好的效果 通常选用rule函数作为激活函数,是因为反响传播过程中加入神经网络层次过深,会使得sigmod函数的导数趋近于0。

反向传播 就是算一下每个数据对损失函数造成了多大影响。 例如:

image.png

优化 通常用梯度下降,这里用到的梯度下降就是机器学习核心思想,就是通过前向传播得到损失函数,通过反向传播得到每个数据对最终损失函数的影响大小(导数),通过梯度下降迭代更新参数,使得损失函数最小。

  • 神经网络算法

把前面的内容进行组合,得到的数据叫做前向传播,(其实大多数是学过的内容,就多一个激活函数。)在加上用梯度下降来更新参数,就组成了神经网络的精髓。加入初始化多个参数就会得到多个损失函数,也就是通常说的“神经元". 以上就简单表达一下最简单的神经网络,下面就以例子为例构建一个最简单的神经网络模型来体现一下神经网络的强大吧。代码直接附上了,有什么不懂可以直接私信哦

下面以分类为例举个例子: 原始数据:

image.png

构建原始数据的代码如下:

import numpy as np
import matplotlib.pyplot as plt

#ubuntu 16.04 sudo pip instal matplotlib

plt.rcParams['figure.figsize'] = (10.0, 8.0) # set default size of plots
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

np.random.seed(0)
N = 100 # number of points per class
D = 2 # dimensionality
K = 3 # number of classes
X = np.zeros((N*K,D))
y = np.zeros(N*K, dtype='uint8')
for j in range(K):
  ix = range(N*j,N*(j+1))
  # print(ix[0])
  r = np.linspace(0.0,1,N) # radius
  print(r)
  t = np.linspace(j*4,(j+1)*4,N) + np.random.randn(N)*0.2 # theta
  X[ix] = np.c_[r*np.sin(t), r*np.cos(t)]
  y[ix] = j
# print(X)
# print(y)
fig = plt.figure()
plt.scatter(X[:, 0], X[:, 1], c=y, s=40, cmap=plt.cm.Spectral)
plt.xlim([-1,1])
plt.ylim([-1,1])
plt.show()

用线性分类器来对数据进行分割,效果如下:

代码可以参照前面的线性softmax分类器 用神经网络进行分类。效果如下:

image.png

代码如下:

import numpy as np
import matplotlib.pyplot as plt
np.random.seed(0)
N = 100 # number of points per class
D = 2 # dimensionality
K = 3 # number of classes
X = np.zeros((N*K,D))
y = np.zeros(N*K, dtype='uint8')
print(X)
for j in range(K):
  ix = range(N*j,N*(j+1))
  r = np.linspace(0.0,1,N) # radius
  t = np.linspace(j*4,(j+1)*4,N) + np.random.randn(N)*0.2 # theta
  X[ix] = np.c_[r*np.sin(t), r*np.cos(t)]
  y[ix] = j
  
h = 100 # size of hidden layer
W = 0.01 * np.random.randn(D,h)# x:300*2  2*100
b = np.zeros((1,h))
W2 = 0.01 * np.random.randn(h,K)
b2 = np.zeros((1,K))

# some hyperparameters
step_size = 1e-0
reg = 1e-3 # regularization strength

# gradient descent loop
num_examples = X.shape[0]
for i in range(20000):
  
  # evaluate class scores, [N x K]
  hidden_layer = np.maximum(0, np.dot(X, W) + b) # note, ReLU activation hidden_layer:300*100
  #print hidden_layer.shape
  scores = np.dot(hidden_layer, W2) + b2  #scores:300*3
  #print scores.shape
  # compute the class probabilities
  exp_scores = np.exp(scores)
  probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True) # [N x K]
  #print probs.shape
  
  # compute the loss: average cross-entropy loss and regularization
  corect_logprobs = -np.log(probs[range(num_examples),y])
  data_loss = np.sum(corect_logprobs)/num_examples
  reg_loss = 0.5*reg*np.sum(W*W) + 0.5*reg*np.sum(W2*W2)
  loss = data_loss + reg_loss
  if i % 100 == 0:
    print("iteration %d: loss %f" % (i, loss))
  
  # compute the gradient on scores
  dscores = probs
  dscores[range(num_examples),y] -= 1
  dscores /= num_examples
  
  # backpropate the gradient to the parameters
  # first backprop into parameters W2 and b2
  dW2 = np.dot(hidden_layer.T, dscores)
  db2 = np.sum(dscores, axis=0, keepdims=True)
  # next backprop into hidden layer
  dhidden = np.dot(dscores, W2.T)
  # backprop the ReLU non-linearity
  dhidden[hidden_layer <= 0] = 0
  # finally into W,b
  dW = np.dot(X.T, dhidden)
  db = np.sum(dhidden, axis=0, keepdims=True)
  
  # add regularization gradient contribution
  dW2 += reg * W2
  dW += reg * W
  
  # perform a parameter update
  W += -step_size * dW
  b += -step_size * db
  W2 += -step_size * dW2
  b2 += -step_size * db2
hidden_layer = np.maximum(0, np.dot(X, W) + b)
scores = np.dot(hidden_layer, W2) + b2
predicted_class = np.argmax(scores, axis=1)
print('training accuracy: %.2f' % (np.mean(predicted_class == y)))


h = 0.02
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                     np.arange(y_min, y_max, h))
Z = np.dot(np.maximum(0, np.dot(np.c_[xx.ravel(), yy.ravel()], W) + b), W2) + b2
Z = np.argmax(Z, axis=1)
Z = Z.reshape(xx.shape)
fig = plt.figure()
plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, s=40, cmap=plt.cm.Spectral)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.show()

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据科学与人工智能

【算法】关联规则挖掘算法

小编邀请您,先思考: 1 关联算法有什么应用? 2 关联算法如何实现? 温馨提示:加入圈子或者商务合作,请加微信:luqin360 关联规则挖掘是一种基于规则的...

49480
来自专栏PPV课数据科学社区

机器学习几个基本的问题

关键词:机器学习、推荐系统、文本挖掘 正文如下: 从今年四月份到现在已经工作快9个月了,最开始是做推荐系统,然后做机器学习,现在是文本挖掘,每个部分研究的时间...

35470
来自专栏PPV课数据科学社区

【源码】机器学习算法清单!附Python和R代码

本文约6000字,建议阅读8分钟。 通过本文为大家介绍了3种机器学习算法方式以及10种机器学习算法的清单,学起来吧~ 前言 谷歌董事长施密特曾说过:虽然谷歌的无...

40730
来自专栏PPV课数据科学社区

AI时代就业指南:如何成为一名优秀的算法工程师?

1、算法工程师是做什么的? 广义上是指搞软件算法的,也就是开发和应用软件算法实现工业控制和程序处理。除了机器学习之外 还包括控制算法、图形算法等,狭义上现在谈算...

63880
来自专栏机器人网

最全机器学习算法汇总

本文是对机器学习算法的一个概览,以及个人的学习小结。通过阅读本文,可以快速地对机器学习算法有一个比较清晰的了解。本文承诺不会出现任何数学公式及推导,适合茶余饭后...

46650
来自专栏PPV课数据科学社区

关于机器学习,你需要知道的三件事!

关键词:MATLAB、机器学习、机器学习算法、 正文如下: 导读:MATLAB开发运营团队深度解析何为机器学习,什么时候使用机器学习,如何选择机器学习算法,MA...

37650
来自专栏PPV课数据科学社区

Python机器学习随笔之K-Means聚类的实现

? 作者:博观厚积 简书专栏: https://www.jianshu.com/u/2f376f777ef1 1. K-Means聚类原理 K-means算法...

45750
来自专栏数据科学与人工智能

【智能】用AI探索商业地产,Skyline AI获红杉资本300万美元种子轮

商业地产拥抱AI产生新的火花~ Skyline AI是一家以色列初创公司,能够利用机器学习帮助房地产投资者鉴别有前途的房产。Skyline AI今天宣布他们已从...

32060
来自专栏PPV课数据科学社区

为什么Python如此适合AI和机器学习?5位Python专家告诉你

摘要:Python是机器学习最好的编程语言之一,和R语言一样,很快将会成为学术和研究领域统治者。但为什么Python在机器学习领域如此受欢迎? Mike Dri...

41460
来自专栏数据科学与人工智能

【数据】如何获取高质量数据?

小编邀请您,先思考: 1 如何获取高质量数据? 2 数据质量如何识别? 温馨提示:加入圈子或者商务合作,请加微信:luqin360 长期以来,在机器学习中不合理...

33540

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励