189 8069 5689
这篇文章给大家介绍Python中怎么构建神经网络，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
海城ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景，ssl证书未来市场广阔！成为创新互联公司的ssl证书销售渠道，可以享受市场价格4-6折优惠！如果有意向欢迎电话联系或者加微信：13518219792（备注：SSL证书合作）期待与您的合作！
神经网络的工作原理
在一个简单的神经网络中，神经元是基本的计算单元。它们获取输入特征并将其作为输出。以下是基本神经网络的外观：
这里，“layer1”是输入特征。“Layer1”进入另一个节点layer2，最后输出预测的类或假设。layer2是隐藏层。可以使用多个隐藏层。
你必须根据你的数据集和精度要求来设计你的神经网络。
从第1层移动到第3层的过程称为前向传播。前向传播的步骤：
为每个输入特征初始化系数θ。比方说，我们有100个训练例子。这意味着100行数据。在这种情况下，如果假设有10个输入特征，我们的输入矩阵的大小是100x10。现在确定$θ_1$的大小。行数需要与输入特征的数量相同。在这个例子中，是10。列数应该是你选择的隐藏层的大小。
将输入特征X乘以相应的θ，然后添加一个偏置项。通过激活函数传递结果。
有几个激活函数可用，如sigmoid，tanh，relu，softmax，swish
我将使用一个sigmoid激活函数来演示神经网络。
这里，“a”代表隐藏层或第2层，b表示偏置。
g(z)是sigmoid激活函数：
为隐藏层初始化$\theta_2$。大小将是隐藏层的长度乘以输出类的数量。在这个例子中，下一层是输出层，因为我们没有更多的隐藏层。
然后我们需要按照以前一样的流程。将θ和隐藏层相乘，通过sigmoid激活层得到预测输出。
反向传播是从输出层移动到第二层的过程。在这个过程中，我们计算了误差。
首先，从原始输出y减去预测输出，这就是我们的$\delta_3$。
现在，计算$\theta_2$的梯度。将$\delta_3$乘以$\theta_2$。乘以“$a^2$”乘以“$1-a^2$”。在下面的公式中，“a”上的上标2表示第2层。请不要把它误解为平方。
用训练样本数m计算没有正则化版本的梯度$\delta$。
修正$\delta$。将输入特征乘以$\delta_2$乘以学习速率得到$\theta_1$。请注意$\theta_1$的维度。
重复前向传播和反向传播的过程，并不断更新参数，直到达到最佳成本。这是成本函数的公式。只是提醒一下，成本函数表明，预测离原始输出变量有多远。
如果你注意到的话，这个成本函数公式几乎和逻辑回归成本函数一样。
我将使用Andrew Ng在Coursera的机器学习课程的数据集。请从以下链接下载数据集：
https://github.com/rashida048/Machine-Learning-With-Python/blob/master/ex3d1.xlsx
下面是一个逐步实现的神经网络。我鼓励你自己运行每一行代码并打印输出以更好地理解它。
首先导入必要的包和数据集。
import pandas as pd
import numpy as np
xls = pd.ExcelFile('ex3d1.xlsx')
df = pd.read_excel(xls, 'X', header = None).png)
这是数据集的前五行。这些是数字的像素值。
在这个数据集中，输入和输出变量被组织在单独的excel表格中。让我们导入输出变量：
y = pd.read_excel(xls, 'y', header=None)
.png)
这也是数据集的前五行。输出变量是从1到10的数字。这个项目的目标是使用存储在'df'中的输入变量来预测数字。
求输入输出变量的维数
df.shape y.shape
输入变量或df的形状为5000 x 400，输出变量或y的形状为5000 x 1。
定义神经网络
为了简单起见，我们将只使用一个由25个神经元组成的隐藏层。
hidden_layer = 25
得到输出类。
y_arr = y[0].unique()#输出: array([10, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=int64)
正如你在上面看到的，有10个输出类。
初始化θ和偏置
我们将随机初始化层1和层2的θ。因为我们有三层，所以会有$\theta_1$和$\theta_2$。
$\theta_1$的维度：第1层的大小x第2层的大小
$\theta_2$的维度：第2层的大小x第3层的大小
从步骤2开始，“df”的形状为5000 x 400。这意味着有400个输入特征。所以，第1层的大小是400。当我们指定隐藏层大小为25时，层2的大小为25。我们有10个输出类。所以，第3层的大小是10。
$\theta_1$的维度：400 x 25
$\theta_2$的维度：25×10
同样，会有两个随机初始化的偏置b1和b2。
$b_1$的维度：第2层的大小(本例中为25)
$b_1$的维度：第3层的大小(本例中为10)
定义一个随机初始化theta的函数：
def randInitializeWeights(Lin, Lout): epi = (6**1/2) / (Lin + Lout)**0.5 w = np.random.rand(Lout, Lin)*(2*epi) -epi return w
使用此函数初始化theta
hidden_layer = 25 output =10 theta1 = randInitializeWeights(len(df.T), hidden_layer) theta2 = randInitializeWeights(hidden_layer, output) theta = [theta1, theta2]
现在，初始化我们上面讨论过的偏置项：
b1 = np.random.randn(25,) b2 = np.random.randn(10,)
实现前向传播
使用前向传播部分中的公式。
为了方便起见，定义一个函数来乘以θ和X
def z_calc(X, theta): return np.dot(X, theta.T)
我们也将多次使用激活函数。同样定义一个函数
def sigmoid(z): return 1/(1+ np.exp(-z))
现在我将逐步演示正向传播。首先，计算z项：
z1 =z_calc(df, theta1) + b1
现在通过激活函数传递这个z1，得到隐藏层
a1 = sigmoid(z1)
a1是隐藏层。a1的形状是5000 x 25。重复相同的过程来计算第3层或输出层
z2 = z_calc(a1, theta2) + b2 a2 = sigmoid(z2)
a2的形状是5000 x 10。10列代表10个类。a2是我们的第3层或最终输出。如果在这个例子中有更多的隐藏层，在从一个层到另一个层的过程中会有更多的重复步骤。这种利用输入特征计算输出层的过程称为前向传播。
l = 3 #层数 b = [b1, b2] def hypothesis(df, theta): a = [] z = [] for i in range (0, l-1): z1 = z_calc(df, theta[i]) + b[i] out = sigmoid(z1) a.append(out) z.append(z1) df = out return out, a, z
实现反向传播
这是反向计算梯度和更新θ的过程。在此之前，我们需要修改'y'。我们在“y”有10个类。但我们需要将每个类在其列中分开。例如，针对第10类的列。我们将为10替换1，为其余类替换0。这样我们将为每个类创建一个单独的列。
y1 = np.zeros([len(df), len(y_arr)]) y1 = pd.DataFrame(y1) for i in range(0, len(y_arr)): for j in range(0, len(y1)): if y[0][j] == y_arr[i]: y1.iloc[j, i] = 1 else: y1.iloc[j, i] = 0 y1.head()
之前我一步一步地演示了向前传播，然后把所有的都放在一个函数中，我将对反向传播做同样的事情。使用上述反向传播部分的梯度公式，首先计算$\delta_3$。我们将使用前向传播实现中的z1、z2、a1和a2。
del3 = y1-a2
现在使用以下公式计算delta2：
这里是delta2：
del2 = np.dot(del3, theta2) * a1*(1 - a1)
在这里我们需要学习一个新的概念。这是一个sigmoid梯度。sigmoid梯度的公式为：
如果你注意到了，这和delta公式中的**a(1-a)**完全相同。因为a是sigmoid(z)。我们来写一个关于sigmoid梯度的函数：
def sigmoid_grad(z): return sigmoid(z)*(1 - sigmoid(z))
最后，使用以下公式更新θ：
我们需要选择一个学习率。我选了0.003。我鼓励你尝试使用其他学习率，看看它的表现：
theta1 = np.dot(del2.T, pd.DataFrame(a1)) * 0.003 theta2 = np.dot(del3.T, pd.DataFrame(a2)) * 0.003
这就是θ需要更新的方式。这个过程称为反向传播，因为它向后移动。在编写反向传播函数之前，我们需要定义成本函数。因为我会把成本的计算也包括在反向传播方法中。但它是可以添加到前向传播中，或者可以在训练网络时将其分开的。
def cost_function(y, y_calc, l): return (np.sum(np.sum(-np.log(y_calc)*y - np.log(1-y_calc)*(1-y))))/m
这里m是训练实例的数量。综合起来的代码：
m = len(df) def backpropagation(df, theta, y1, alpha): out, a, z = hypothesis(df, theta) delta = [] delta.append(y1-a[-1]) i = l - 2 while i > 0: delta.append(np.dot(delta[-i], theta[-i])*sigmoid_grad(z[-(i+1)])) i -= 1 theta[0] = np.dot(delta[-1].T, df) * alpha for i in range(1, len(theta)): theta[i] = np.dot(delta[-(i+1)].T, pd.DataFrame(a[0])) * alpha out, a, z = hypothesis(df, theta) cost = cost_function(y1, a[-1], 1) return theta, cost
训练网络
我将用20个epoch训练网络。我在这个代码片段中再次初始化theta。
theta1 = randInitializeWeights(len(df.T), hidden_layer) theta2 = randInitializeWeights(hidden_layer, output) theta = [theta1, theta2] cost_list = [] for i in range(20): theta, cost= backpropagation(df, theta, y1, 0.003) cost_list.append(cost) cost_list
我使用了0.003的学习率并运行了20个epoch。但是请看文章末提供的GitHub链接。我有试着用不同的学习率和不同的epoch数训练模型。
我们得到了每个epoch计算的成本，以及最终更新的θ。用最后的θ来预测输出。
预测输出并计算精度
只需使用假设函数并传递更新后的θ来预测输出：
out, a, z = hypothesis(df, theta)
现在计算一下准确率，
accuracy= 0 for i in range(0, len(out)): for j in range(0, len(out[i])): if out[i][j] >= 0.5 and y1.iloc[i, j] == 1: accuracy += 1 accuracy/len(df)
关于Python中怎么构建神经网络就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。