Python实现的人工神经网络算法示例【基于反向传播算法】

Python  /  管理员 发布于 7年前   381

本文实例讲述了Python实现的人工神经网络算法。分享给大家供大家参考，具体如下：

注意：本程序使用Python3编写，额外需要安装numpy工具包用于矩阵运算，未测试python2是否可以运行。

本程序实现了《机器学习》书中所述的反向传播算法训练人工神经网络，理论部分请参考我的读书笔记。

在本程序中，目标函数是由一个输入x和两个输出y组成，
x是在范围【-3.14, 3.14】之间随机生成的实数，而两个y值分别对应 y1 = sin(x)，y2 = 1。

随机生成一万份训练样例，经过网络的学习训练后，再用随机生成的五份测试数据验证训练结果。

调节算法的学习速率，以及隐藏层个数、隐藏层大小，训练新的网络，可以观察到参数对于学习结果的影响。

算法代码如下：

#!usr/bin/env python3# -*- coding:utf-8 -*-import numpy as npimport math# definition of sigmoid funtion# numpy.exp work for arrays.def sigmoid(x):  return 1 / (1 + np.exp(-x))# definition of sigmoid derivative funtion# input must be sigmoid function's resultdef sigmoid_output_to_derivative(result):  return result*(1-result)# init training setdef getTrainingSet(nameOfSet):  setDict = {    "sin": getSinSet(),    }  return setDict[nameOfSet]def getSinSet():  x = 6.2 * np.random.rand(1) - 3.14  x = x.reshape(1,1)  # y = np.array([5 *x]).reshape(1,1)  # y = np.array([math.sin(x)]).reshape(1,1)  y = np.array([math.sin(x),1]).reshape(1,2)  return x, ydef getW(synapse, delta):  resultList = []  # 遍历隐藏层每个隐藏单元对每个输出的权值，比如8个隐藏单元，每个隐藏单元对两个输出各有2个权值  for i in range(synapse.shape[0]):    resultList.append(      (synapse[i,:] * delta).sum()      )  resultArr = np.array(resultList).reshape(1, synapse.shape[0])  return resultArrdef getT(delta, layer):  result = np.dot(layer.T, delta)  return resultdef backPropagation(trainingExamples, etah, input_dim, output_dim, hidden_dim, hidden_num):  # 可行条件  if hidden_num < 1:    print("隐藏层数不得小于1")    return  # 初始化网络权重矩阵，这个是核心  synapseList = []  # 输入层与隐含层1  synapseList.append(2*np.random.random((input_dim,hidden_dim)) - 1)  # 隐含层1与隐含层2, 2->3,,,,,,n-1->n  for i in range(hidden_num-1):    synapseList.append(2*np.random.random((hidden_dim,hidden_dim)) - 1)  # 隐含层n与输出层  synapseList.append(2*np.random.random((hidden_dim,output_dim)) - 1)  iCount = 0  lastErrorMax = 99999  # while True:  for i in range(10000):    errorMax = 0    for x, y in trainingExamples:      iCount += 1      layerList = []      # 正向传播      layerList.append(        sigmoid(np.dot(x,synapseList[0]))        )      for j in range(hidden_num):        layerList.append(          sigmoid(np.dot(layerList[-1],synapseList[j+1]))          )      # 对于网络中的每个输出单元k，计算它的误差项      deltaList = []      layerOutputError = y - layerList[-1]      # 收敛条件      errorMax = layerOutputError.sum() if layerOutputError.sum() > errorMax else errorMax      deltaK = sigmoid_output_to_derivative(layerList[-1]) * layerOutputError      deltaList.append(deltaK)      iLength = len(synapseList)      for j in range(hidden_num):        w = getW(synapseList[iLength - 1 - j], deltaList[j])        delta = sigmoid_output_to_derivative(layerList[iLength - 2 - j]) * w        deltaList.append(delta)      # 更新每个网络权值w(ji)      for j in range(len(synapseList)-1, 0, -1):        t = getT(deltaList[iLength - 1 -j], layerList[j-1])        synapseList[j] = synapseList[j] + etah * t      t = getT(deltaList[-1], x)      synapseList[0] = synapseList[0] + etah * t    print("最大输出误差:")    print(errorMax)    if abs(lastErrorMax - errorMax) < 0.0001:      print("收敛了")      print("####################")      break    lastErrorMax = errorMax  # 测试训练好的网络  for i in range(5):    xTest, yReal = getSinSet()    layerTmp = sigmoid(np.dot(xTest,synapseList[0]))    for j in range(1, len(synapseList), 1):      layerTmp = sigmoid(np.dot(layerTmp,synapseList[j]))    yTest = layerTmp    print("x:")    print(xTest)    print("实际的y:")    print(yReal)    print("神经元网络输出的y:")    print(yTest)    print("最终输出误差:")    print(np.abs(yReal - yTest))    print("#####################")  print("迭代次数:")  print(iCount)if __name__ == '__main__':  import datetime  tStart = datetime.datetime.now()  # 使用什么样的训练样例  nameOfSet = "sin"  x, y = getTrainingSet(nameOfSet)  # setting of parameters  # 这里设置了学习速率。  etah = 0.01  # 隐藏层数  hidden_num = 2  # 网络输入层的大小  input_dim = x.shape[1]  # 隐含层的大小  hidden_dim = 100  # 输出层的大小  output_dim = y.shape[1]  # 构建训练样例  trainingExamples = []  for i in range(10000):    x, y = getTrainingSet(nameOfSet)    trainingExamples.append((x, y))  # 开始用反向传播算法训练网络  backPropagation(trainingExamples, etah, input_dim, output_dim, hidden_dim, hidden_num)  tEnd = datetime.datetime.now()  print("time cost:")  print(tEnd - tStart)

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数据结构与算法教程》、《Python加密解密算法与技巧总结》、《Python编码操作技巧总结》、《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。