Python基于numpy灵活定义神经网络结构的方法

Python  /  管理员 发布于 7年前   159

本文实例讲述了Python基于numpy灵活定义神经网络结构的方法。分享给大家供大家参考，具体如下：

用numpy可以灵活定义神经网络结构，还可以应用numpy强大的矩阵运算功能！

一、用法

1）. 定义一个三层神经网络：

'''示例一'''nn = NeuralNetworks([3,4,2]) # 定义神经网络nn.fit(X,y) # 拟合print(nn.predict(X)) #预测

说明：
　　输入层节点数目：3
　　隐藏层节点数目：4
　　输出层节点数目：2

2）.定义一个五层神经网络：

'''示例二'''nn = NeuralNetworks([3,5,7,4,2]) # 定义神经网络nn.fit(X,y) # 拟合print(nn.predict(X)) #预测

说明：
　　输入层节点数目：3
　　隐藏层1节点数目：5
　　隐藏层2节点数目：7
　　隐藏层3节点数目：4
　　输出层节点数目：2

二、实现

如下实现方式为本人（@hhh5460）原创。 要点： dtype=object

import numpy as npclass NeuralNetworks(object):  ''''''  def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4):    '''搭建神经网络框架'''    # 各层节点数目 (向量)    self.n = np.array(n_layers) # 'n_layers必须为list类型，如：[3,4,2] 或 n_layers=[3,4,2]'    self.size = self.n.size # 层的总数    # 层 (向量)    self.z = np.empty(self.size, dtype=object) # 先占位(置空)，dtype=object ！如下皆然    self.a = np.empty(self.size, dtype=object)    self.data_a = np.empty(self.size, dtype=object)    # 偏置 (向量)    self.b = np.empty(self.size, dtype=object)    self.delta_b = np.empty(self.size, dtype=object)    # 权 (矩阵)    self.w = np.empty(self.size, dtype=object)    self.delta_w = np.empty(self.size, dtype=object)    # 填充    for i in range(self.size):      self.a[i] = np.zeros(self.n[i]) # 全零      self.z[i] = np.zeros(self.n[i]) # 全零      self.data_a[i] = np.zeros(self.n[i]) # 全零      if i < self.size - 1:        self.b[i] = np.ones(self.n[i+1])  # 全一        self.delta_b[i] = np.zeros(self.n[i+1]) # 全零        mu, sigma = 0, 0.1 # 均值、方差        self.w[i] = np.random.normal(mu, sigma, (self.n[i], self.n[i+1])) # # 正态分布随机化        self.delta_w[i] = np.zeros((self.n[i], self.n[i+1])) # 全零

下面完整代码是我学习斯坦福机器学习教程，完全自己敲出来的：

import numpy as np'''参考：http://ufldl.stanford.edu/wiki/index.php/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C'''class NeuralNetworks(object):  ''''''  def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4):    '''搭建神经网络框架'''    self.n_iter = n_iter # 迭代次数    self.error = error # 允许最大误差    self.alpha = alpha # 学习速率    self.lamda = lamda # 衰减因子 # 此处故意拼写错误！    if n_layers is None:      raise '各层的节点数目必须设置！'    elif not isinstance(n_layers, list):      raise 'n_layers必须为list类型，如：[3,4,2] 或 n_layers=[3,4,2]'    # 节点数目 (向量)    self.n = np.array(n_layers)    self.size = self.n.size # 层的总数    # 层 (向量)    self.a = np.empty(self.size, dtype=object) # 先占位(置空)，dtype=object ！如下皆然    self.z = np.empty(self.size, dtype=object)    # 偏置 (向量)    self.b = np.empty(self.size, dtype=object)    self.delta_b = np.empty(self.size, dtype=object)    # 权 (矩阵)    self.w = np.empty(self.size, dtype=object)    self.delta_w = np.empty(self.size, dtype=object)    # 残差 (向量)    self.data_a = np.empty(self.size, dtype=object)    # 填充    for i in range(self.size):      self.a[i] = np.zeros(self.n[i]) # 全零      self.z[i] = np.zeros(self.n[i]) # 全零      self.data_a[i] = np.zeros(self.n[i]) # 全零      if i < self.size - 1:        self.b[i] = np.ones(self.n[i+1])  # 全一        self.delta_b[i] = np.zeros(self.n[i+1]) # 全零        mu, sigma = 0, 0.1 # 均值、方差        self.w[i] = np.random.normal(mu, sigma, (self.n[i], self.n[i+1])) # # 正态分布随机化        self.delta_w[i] = np.zeros((self.n[i], self.n[i+1])) # 全零    # 激活函数    self.active_functions = {      'sigmoid': self.sigmoid,      'tanh': self.tanh,      'radb': self.radb,      'line': self.line,    }    # 激活函数的导函数    self.derivative_functions = {      'sigmoid': self.sigmoid_d,      'tanh': self.tanh_d,      'radb': self.radb_d,      'line': self.line_d,    }    if active_type is None:      self.active_type = ['sigmoid'] * (self.size - 1) # 默认激活函数类型    else:      self.active_type = active_type  def sigmoid(self, z):    if np.max(z) > 600:      z[z.argmax()] = 600    return 1.0 / (1.0 + np.exp(-z))  def tanh(self, z):    return (np.exp(z) - np.exp(-z)) / (np.exp(z) + np.exp(-z))  def radb(self, z):    return np.exp(-z * z)  def line(self, z):    return z  def sigmoid_d(self, z):    return z * (1.0 - z)  def tanh_d(self, z):    return 1.0 - z * z  def radb_d(self, z):    return -2.0 * z * np.exp(-z * z)  def line_d(self, z):    return np.ones(z.size) # 全一  def forward(self, x):    '''正向传播（在线）'''     # 用样本 x 走一遍，刷新所有 z, a    self.a[0] = x    for i in range(self.size - 1):      self.z[i+1] = np.dot(self.a[i], self.w[i]) + self.b[i]       self.a[i+1] = self.active_functions[self.active_type[i]](self.z[i+1]) # 加了激活函数  def err(self, X, Y):    '''误差'''    last = self.size-1    err = 0.0    for x, y in zip(X, Y):      self.forward(x)      err += 0.5 * np.sum((self.a[last] - y)**2)    err /= X.shape[0]    err += sum([np.sum(w) for w in self.w[:last]**2])    return err  def backward(self, y):    '''反向传播（在线）'''    last = self.size - 1    # 用样本 y 走一遍，刷新所有delta_w, delta_b    self.data_a[last] = -(y - self.a[last]) * self.derivative_functions[self.active_type[last-1]](self.z[last]) # 加了激活函数的导函数    for i in range(last-1, 1, -1):      self.data_a[i] = np.dot(self.w[i], self.data_a[i+1]) * self.derivative_functions[self.active_type[i-1]](self.z[i]) # 加了激活函数的导函数      # 计算偏导      p_w = np.outer(self.a[i], self.data_a[i+1]) # 外积！感谢 numpy 的强大！      p_b = self.data_a[i+1]      # 更新 delta_w, delta_w      self.delta_w[i] = self.delta_w[i] + p_w      self.delta_b[i] = self.delta_b[i] + p_b  def update(self, n_samples):    '''更新权重参数'''    last = self.size - 1    for i in range(last):      self.w[i] -= self.alpha * ((1/n_samples) * self.delta_w[i] + self.lamda * self.w[i])      self.b[i] -= self.alpha * ((1/n_samples) * self.delta_b[i])  def fit(self, X, Y):    '''拟合'''    for i in range(self.n_iter):      # 用所有样本，依次      for x, y in zip(X, Y):        self.forward(x) # 前向，更新 a, z;        self.backward(y) # 后向，更新 delta_w, delta_b      # 然后，更新 w, b      self.update(len(X))      # 计算误差      err = self.err(X, Y)      if err < self.error:        break      # 整千次显示误差（否则太无聊！）      if i % 1000 == 0:        print('iter: {}, error: {}'.format(i, err))  def predict(self, X):    '''预测'''    last = self.size - 1    res = []    for x in X:      self.forward(x)      res.append(self.a[last])    return np.array(res)if __name__ == '__main__':  nn = NeuralNetworks([2,3,4,3,1], n_iter=5000, alpha=0.4, lamda=0.3, error=0.06) # 定义神经网络  X = np.array([[0.,0.], # 准备数据         [0.,1.],         [1.,0.],         [1.,1.]])  y = np.array([0,1,1,0])  nn.fit(X,y)     # 拟合  print(nn.predict(X)) # 预测

更多关于Python相关内容可查看本站专题：《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》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。