Python实现的NN神经网络算法完整示例
本文实例讲述了Python实现的NN神经网络算法。分享给大家供大家参考,具体如下:
参考自Github开源代码:https://github.com/dennybritz/nn-from-scratch
运行环境
- Pyhton3
- numpy(科学计算包)
- matplotlib(画图所需,不画图可不必)
- sklearn(人工智能包,生成数据使用)
计算过程
输入样例
none
代码实现
# -*- coding:utf-8 -*- #!python3 __author__ = 'Wsine' import numpy as np import sklearn import sklearn.datasets import sklearn.linear_model import matplotlib.pyplot as plt import matplotlib import operator import time def createData(dim=200, cnoise=0.20): """ 输出:数据集, 对应的类别标签 描述:生成一个数据集和对应的类别标签 """ np.random.seed(0) X, y = sklearn.datasets.make_moons(dim, noise=cnoise) plt.scatter(X[:, 0], X[:, 1], s=40, c=y, cmap=plt.cm.Spectral) #plt.show() return X, y def plot_decision_boundary(pred_func, X, y): """ 输入:边界函数, 数据集, 类别标签 描述:绘制决策边界(画图用) """ # 设置最小最大值, 加上一点外边界 x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5 y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5 h = 0.01 # 根据最小最大值和一个网格距离生成整个网格 xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # 对整个网格预测边界值 Z = pred_func(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 绘制边界和数据集的点 plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral) def calculate_loss(model, X, y): """ 输入:训练模型, 数据集, 类别标签 输出:误判的概率 描述:计算整个模型的性能 """ W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2'] # 正向传播来计算预测的分类值 z1 = X.dot(W1) + b1 a1 = np.tanh(z1) z2 = a1.dot(W2) + b2 exp_scores = np.exp(z2) probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True) # 计算误判概率 corect_logprobs = -np.log(probs[range(num_examples), y]) data_loss = np.sum(corect_logprobs) # 加入正则项修正错误(可选) data_loss += reg_lambda/2 * (np.sum(np.square(W1)) + np.sum(np.square(W2))) return 1./num_examples * data_loss def predict(model, x): """ 输入:训练模型, 预测向量 输出:判决类别 描述:预测类别属于(0 or 1) """ W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2'] # 正向传播计算 z1 = x.dot(W1) + b1 a1 = np.tanh(z1) z2 = a1.dot(W2) + b2 exp_scores = np.exp(z2) probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True) return np.argmax(probs, axis=1) def initParameter(X): """ 输入:数据集 描述:初始化神经网络算法的参数 必须初始化为全局函数! 这里需要手动设置! """ global num_examples num_examples = len(X) # 训练集的大小 global nn_input_dim nn_input_dim = 2 # 输入层维数 global nn_output_dim nn_output_dim = 2 # 输出层维数 # 梯度下降参数 global epsilon epsilon = 0.01 # 梯度下降学习步长 global reg_lambda reg_lambda = 0.01 # 修正的指数 def build_model(X, y, nn_hdim, num_passes=20000, print_loss=False): """ 输入:数据集, 类别标签, 隐藏层层数, 迭代次数, 是否输出误判率 输出:神经网络模型 描述:生成一个指定层数的神经网络模型 """ # 根据维度随机初始化参数 np.random.seed(0) W1 = np.random.randn(nn_input_dim, nn_hdim) / np.sqrt(nn_input_dim) b1 = np.zeros((1, nn_hdim)) W2 = np.random.randn(nn_hdim, nn_output_dim) / np.sqrt(nn_hdim) b2 = np.zeros((1, nn_output_dim)) model = {} # 梯度下降 for i in range(0, num_passes): # 正向传播 z1 = X.dot(W1) + b1 a1 = np.tanh(z1) # 激活函数使用tanh = (exp(x) - exp(-x)) / (exp(x) + exp(-x)) z2 = a1.dot(W2) + b2 exp_scores = np.exp(z2) # 原始归一化 probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True) # 后向传播 delta3 = probs delta3[range(num_examples), y] -= 1 dW2 = (a1.T).dot(delta3) db2 = np.sum(delta3, axis=0, keepdims=True) delta2 = delta3.dot(W2.T) * (1 - np.power(a1, 2)) dW1 = np.dot(X.T, delta2) db1 = np.sum(delta2, axis=0) # 加入修正项 dW2 += reg_lambda * W2 dW1 += reg_lambda * W1 # 更新梯度下降参数 W1 += -epsilon * dW1 b1 += -epsilon * db1 W2 += -epsilon * dW2 b2 += -epsilon * db2 # 更新模型 model = { 'W1': W1, 'b1': b1, 'W2': W2, 'b2': b2} # 一定迭代次数后输出当前误判率 if print_loss and i % 1000 == 0: print("Loss after iteration %i: %f" % (i, calculate_loss(model, X, y))) plot_decision_boundary(lambda x: predict(model, x), X, y) plt.title("Decision Boundary for hidden layer size %d" % nn_hdim) #plt.show() return model def main(): dataSet, labels = createData(200, 0.20) initParameter(dataSet) nnModel = build_model(dataSet, labels, 3, print_loss=False) print("Loss is %f" % calculate_loss(nnModel, dataSet, labels)) if __name__ == '__main__': start = time.clock() main() end = time.clock() print('finish all in %s' % str(end - start)) plt.show()
输出样例
Loss is 0.071316
finish all in 7.221354361552228
更多关于Python相关内容感兴趣的读者可查看本站专题:《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
赞 (0)