神經網路學習筆記4

②學習演算法的實現

神經網路的步驟

1、mini-batch

從訓練資料中隨機選取一部分資料，稱之為mini-batch。目標是減少mini-batch的損失函式值。

2、計算梯度

為了減少mini-batch損失函式的值，需要求出各個權重引數的梯度，梯度表示損失函式的值減少最多的方向。

3、更新引數，將權重引數沿著梯度方向進行微小更新。

4、loop step 123

例項1、實現手寫數字識別的神經網路

以2層神經網路為物件，使用mnist資料集進行學習。

權重使用符合高斯分布的隨機數進行初始化，偏置使用0進行初始化。

2、mini-batch實現

從訓練資料中隨機選擇一部分資料，使用梯度法更新引數

以minst資料集進行學習，twolayernet類作為物件

設定mini-batch大小為100，每次需要從60000個訓練資料中隨機取出100個資料，然後對這包含100筆資料的mini-batch求梯度，使用隨機梯度下降法更新引數。梯度法的更新速度每更新一次，都對訓練資料計算損失函式的值，把值新增到陣列中。

可以發現，隨著學習的進行，損失函式值不斷減少。是正常的學習進行訊號，表示神經網路的權重引數正在逐漸擬合資料。

#

coding: utf-8
import
sys, os
#為了匯入父目錄的檔案而進行的設定
import
numpy as np
import
matplotlib.pyplot as plt
from dataset.mnist import
load_mnist
from two_layer_net import
twolayernet
#讀入資料
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=true, one_hot_label=true) #
載入資料
network = twolayernet(input_size=784, hidden_size=50, output_size=10) #
設定神經網路
#超引數設定
iters_num = 10000  #
適當設定迴圈的次數
train_size =x_train.shape[0]
batch_size = 100learning_rate = 0.1train_loss_list =
train_acc_list =
test_acc_list =
#平均每個epoch重複的次數
iter_per_epoch = max(train_size / batch_size, 1)
for i in
range(iters_num):
#獲取mini-batch
batch_mask =np.random.choice(train_size, batch_size)
x_batch =x_train[batch_mask]
t_batch =t_train[batch_mask]
#計算梯度
#grad = network.numerical_gradient(x_batch, t_batch)
grad =network.gradient(x_batch, t_batch)
#更新引數
for key in ('
w1', '
b1', '
w2', 'b2'
):        network.params[key] -= learning_rate *grad[key]
#記錄學過程
loss =network.loss(x_batch, t_batch)

必須確認是否能苟正確識別訓練資料意外的其他資料，確認是否會發生過擬合。

過擬合：訓練資料中的數字影象能正確辨別，但是不在訓練資料中的數字影象卻無法被識別。

每經過乙個epoch都會記錄下訓練資料和測試資料的識別精度。

epoch：指學習中所有訓練資料均被使用過一次的更新次數

比如對於10000筆訓練資料，用大小為100筆資料的mini-batch進行學習，重複隨機梯度下降法100次，所有訓練資料都過了一遍，100次為乙個epoch。

**實現：

#

coding: utf-8
import
sys, os
#為了匯入父目錄的檔案而進行的設定
import
numpy as np
import
matplotlib.pyplot as plt
from dataset.mnist import
load_mnist
from two_layer_net import
twolayernet
#讀入資料
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=true, one_hot_label=true) #
載入資料
network = twolayernet(input_size=784, hidden_size=50, output_size=10) #
設定神經網路
#超引數設定
iters_num = 10000  #
適當設定迴圈的次數
train_size =x_train.shape[0]
batch_size = 100learning_rate = 0.1train_loss_list =
train_acc_list =
test_acc_list =
#平均每個epoch重複的次數
iter_per_epoch = max(train_size / batch_size, 1)
for i in
range(iters_num):
#獲取mini-batch
batch_mask =np.random.choice(train_size, batch_size)
x_batch =x_train[batch_mask]
t_batch =t_train[batch_mask]
#計算梯度
#grad = network.numerical_gradient(x_batch, t_batch)
grad =network.gradient(x_batch, t_batch)
#更新引數
for key in ('
w1', '
b1', '
w2', 'b2'
):        network.params[key] -= learning_rate *grad[key]
#記錄學過程
loss =network.loss(x_batch, t_batch)
#計算每個epoch的識別精度
if i % iter_per_epoch ==0:
train_acc =network.accuracy(x_train, t_train)
test_acc =network.accuracy(x_test, t_test)
print("
train acc, test acc | 
" + str(train_acc) + "
, " +str(test_acc))
#繪製圖形
markers = 
x =np.arange(len(train_acc_list))
plt.plot(x, train_acc_list, label='
train acc')
plt.plot(x, test_acc_list, label='
test acc
', linestyle='--'
)plt.xlabel(
"epochs")
plt.ylabel(
"accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='
lower right')
plt.show()

從圖里可以看出，隨著epoch前進，使用訓練資料和測試資料評價的識別精度都提高了。即沒有發生過擬合現象。

簡單總結：為了能順利進行神經網路的學習，匯入了損失函式的指標。以損失函式為基準，找出使得它達到值最小的權重引數，就是神經網路學習的目標。

為了找到盡可能小的值，對損失函式使用梯度下降法更新權重

神經網路學習筆記

隱含層數越多，越容易擬合複雜函式 為了擬合複雜函式需要的隱含節點數目，基本上隨著隱含層數目的增加呈現指數下降的趨勢，也就是說層數越多，神經網路所需要的隱含節點可以越少。層數越深，概念越抽象，需要背誦的知識點 神經網路的隱含節點 就越少。但是，層數越多，容易出現過擬合以及引數難以除錯以及梯度瀰散的問題...

神經網路學習筆記

sigmoid函式是一種常見的擠壓函式，其將較大範圍的輸入擠壓到 0 1 區間內，其函式的表示式與形狀如下圖所示 該函式常被用於分類模型，因為其具有很好的乙個特性f x f x 1 f x 這個函式也會被用於下面的神經網路模型中做啟用函式。生物的神經網路系統中，最簡單最基本的結構是神經元。每個神經元...

神經網路 學習筆記

神經網路是用來解決分類問題的模型。他與感知機有著緊密的聯絡。神經網路中，神經元接收到的總輸入將與神經元的閾值進行比較，然後通過 啟用函式 處理以產生神經元的輸出。最理想的啟用函式是階躍函式，但是他不連續，不光滑，所以，採用sigmoid函式來進行替代。感知機只有輸出層神經元進行啟用函式處理，即只擁有...