numpy反向传播算法示例

numpy反向传播算法示例

数据

通过 scikit-learn 库提供的便捷工具生成 2000 个线性不可分的 2 分类数据集
按着7: 3比例切分训练集和测试集
在这里插入图片描述

backpropagation.py

#!/usr/bin/env python
# encoding: utf-8
"""
@desc:  反向传播算法
"""import pickle import time import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_splitplt.rcParams['font.size'] = 16
# plt.rcParams['font.family'] = ['STKaiti']
plt.rcParams['axes.unicode_minus'] = Falsedef load_dataset():# 采样点数N_SAMPLES = 2000# 测试数量比率TEST_SIZE = 0.3# 利用工具函数直接生成数据集X, y = make_moons(n_samples=N_SAMPLES, noise=0.2, random_state=100)# 将 2000 个点按着 7:3 分割为训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=TEST_SIZE, random_state=42)return X, y, X_train, X_test, y_train, y_testdef make_plot(X, y, plot_name, XX=None, YY=None, preds=None, dark=False):# 绘制数据集的分布, X 为 2D 坐标, y 为数据点的标签if (dark):plt.style.use('dark_background')else:sns.set_style("whitegrid")plt.figure(figsize=(16, 12))axes = plt.gca()axes.set(xlabel="$x_1$", ylabel="$x_2$")plt.title(plot_name, fontsize=30)plt.subplots_adjust(left=0.20)plt.subplots_adjust(right=0.80)if XX is not None and YY is not None and preds is not None:plt.contourf(XX, YY, preds.reshape(XX.shape), 25, alpha=1, cmap=plt.cm.Spectral)plt.contour(XX, YY, preds.reshape(XX.shape), levels=[.5], cmap="Greys", vmin=0, vmax=.6)# 绘制散点图,根据标签区分颜色plt.scatter(X[:, 0], X[:, 1], c=y.ravel(), s=40, cmap=plt.cm.Spectral, edgecolors='none')# plt.savefig('数据集分布.svg')# plt.close()plt.show()class Layer:# 全连接网络层def __init__(self, n_input, n_neurons, activation=None, weights=None,bias=None):""":param int n_input: 输入节点数:param int n_neurons: 输出节点数:param str activation: 激活函数类型:param weights: 权值张量,默认类内部生成:param bias: 偏置,默认类内部生成"""# 通过正态分布初始化网络权值,初始化非常重要,不合适的初始化将导致网络不收敛self.weights = weights if weights is not None else np.random.randn(n_input, n_neurons) * np.sqrt(1 / n_neurons)self.bias = bias if bias is not None else np.random.rand(n_neurons) * 0.1self.activation = activation  # 激活函数类型,如’sigmoid’self.last_activation = None  # 激活函数的输出值oself.error = None  # 用于计算当前层的delta 变量的中间变量self.delta = None  # 记录当前层的delta 变量,用于计算梯度# 网络层的前向传播函数实现如下,其中last_activation 变量用于保存当前层的输出值:def activate(self, x):# 前向传播函数r = np.dot(x, self.weights) + self.bias  # X@W+b# 通过激活函数,得到全连接层的输出oself.last_activation = self._apply_activation(r)return self.last_activation# 上述代码中的self._apply_activation 函数实现了不同类型的激活函数的前向计算过程,# 尽管此处我们只使用Sigmoid 激活函数一种。代码如下:def _apply_activation(self, r):# 计算激活函数的输出if self.activation is None:return r  # 无激活函数,直接返回# ReLU 激活函数elif self.activation == 'relu':return np.maximum(r, 0)# tanh 激活函数elif self.activation == 'tanh':return np.tanh(r)# sigmoid 激活函数elif self.activation == 'sigmoid':return 1 / (1 + np.exp(-r))return r# 针对于不同类型的激活函数,它们的导数计算实现如下:def apply_activation_derivative(self, r):# 计算激活函数的导数# 无激活函数,导数为1if self.activation is None:return np.ones_like(r)# ReLU 函数的导数实现elif self.activation == 'relu':grad = np.array(r, copy=True)grad[r > 0] = 1.grad[r <= 0] = 0.return grad# tanh 函数的导数实现elif self.activation == 'tanh':return 1 - r ** 2# Sigmoid 函数的导数实现elif self.activation == 'sigmoid':return r * (1 - r)return r# 神经网络模型
class NeuralNetwork:def __init__(self):self._layers = []  # 网络层对象列表def add_layer(self, layer):# 追加网络层self._layers.append(layer)# 网络的前向传播只需要循环调各个网络层对象的前向计算函数即可,代码如下:# 前向传播def feed_forward(self, X):for layer in self._layers:# 依次通过各个网络层X = layer.activate(X)return Xdef backpropagation(self, X, y, learning_rate):# 反向传播算法实现# 前向计算,得到输出值output = self.feed_forward(X)for i in reversed(range(len(self._layers))):  # 反向循环layer = self._layers[i]  # 得到当前层对象# 如果是输出层if layer == self._layers[-1]:  # 对于输出层layer.error = y - output  # 计算2 分类任务的均方差的导数# 关键步骤:计算最后一层的delta,参考输出层的梯度公式layer.delta = layer.error * layer.apply_activation_derivative(output)else:  # 如果是隐藏层next_layer = self._layers[i + 1]  # 得到下一层对象layer.error = np.dot(next_layer.weights, next_layer.delta)# 关键步骤:计算隐藏层的delta,参考隐藏层的梯度公式layer.delta = layer.error * layer.apply_activation_derivative(layer.last_activation)# 循环更新权值for i in range(len(self._layers)):layer = self._layers[i]# o_i 为上一网络层的输出o_i = np.atleast_2d(X if i == 0 else self._layers[i - 1].last_activation)# 梯度下降算法,delta 是公式中的负数,故这里用加号layer.weights += layer.delta * o_i.T * learning_ratedef train(self, X_train, X_test, y_train, y_test, learning_rate, max_epochs):# 网络训练函数# one-hot 编码y_onehot = np.zeros((y_train.shape[0], 2))y_onehot[np.arange(y_train.shape[0]), y_train] = 1# 将One-hot 编码后的真实标签与网络的输出计算均方误差,并调用反向传播函数更新网络参数,循环迭代训练集1000 遍即可mses = []accuracys = []for i in range(max_epochs + 1):  # 训练1000 个epochfor j in range(len(X_train)):  # 一次训练一个样本self.backpropagation(X_train[j], y_onehot[j], learning_rate)if i % 10 == 0:# 打印出MSE Lossmse = np.mean(np.square(y_onehot - self.feed_forward(X_train)))mses.append(mse)accuracy = self.accuracy(self.predict(X_test), y_test.flatten())accuracys.append(accuracy)print('Epoch: #%s, MSE: %f' % (i, float(mse)))# 统计并打印准确率print('Accuracy: %.2f%%' % (accuracy * 100))return mses, accuracysdef predict(self, X):return self.feed_forward(X)def accuracy(self, X, y):return np.sum(np.equal(np.argmax(X, axis=1), y)) / y.shape[0]def main():X, y, X_train, X_test, y_train, y_test = load_dataset()# 调用 make_plot 函数绘制数据的分布,其中 X 为 2D 坐标, y 为标签# make_plot(X, y, "Classification Dataset Visualization ")mses = Noneaccuracys = None## make True to train  or  False to load trained modletrain = Falseif (train) :nn = NeuralNetwork()  # 实例化网络类nn.add_layer(Layer(2, 25, 'sigmoid'))  # 隐藏层 1, 2=>25nn.add_layer(Layer(25, 50, 'sigmoid'))  # 隐藏层 2, 25=>50nn.add_layer(Layer(50, 25, 'sigmoid'))  # 隐藏层 3, 50=>25nn.add_layer(Layer(25, 2, 'sigmoid'))  # 输出层, 25=>2time1  = time.perf_counter()mses, accuracys = nn.train(X_train, X_test, y_train, y_test, 0.01, 1000)time2  = time.perf_counter() print (f"train time : {time2-time1} s ")#--- save trained modlewith open('trained_model.pickle', 'wb') as f:pickle.dump(nn, f)# 绘制MES曲线x = [i for i in range(0, 101, 10)]ax = plt.subplot(1,2,1)ax.set_title("MES Loss")plt.plot(x, mses[:11], color='blue')plt.xlabel('Epoch')plt.ylabel('MSE')# plt.savefig('训练误差曲线.svg')# plt.close()# 绘制Accuracy曲线ax = plt.subplot(1,2,2)ax.set_title("Accuracy")plt.plot(x, accuracys[:11], color='blue')plt.xlabel('Epoch')plt.ylabel('Accuracy')# plt.savefig('网络测试准确率.svg')# plt.close()plt.savefig('训练曲线.svg')else :#--- load modle from picklemodle = Nonewith open('trained_model.pickle', 'rb') as f:modle = pickle.load(f)# 预测out = modle.predict(X_test)# 预测标签pred = np.argmax(out, axis=1) # 正确率accuracy = modle.accuracy(out, y_test.flatten())print(f"accuracy : {accuracy}")# 绘制散点图,根据标签区分颜色ax = plt.subplot(1,2,1)ax.set_title("X_test Classification by y_test")plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test.ravel(), s=40, cmap=plt.cm.Spectral, edgecolors='#356')# 绘制散点图,根据模型预测标签,正确的绿色/错误的红色ax = plt.subplot(1,2,2)ax.set_title("X_test Classification by pred ,error mark red,correct mark green")t_x = X_test[:, 0]t_y = X_test[:, 1]acc_points = []err_points = []for i in range(0,y_test.shape[0]):if np.equal(pred[i],y_test[i]):# print(f"pred[{i}]:{pred[i]}  \t y_test[{i}]: {y_test[i]}")acc_points.append(i)else :err_points.append(i)# print(f"pred[{i}]:{pred[i]}  \t y_test[{i}]: {y_test[i]}")plt.scatter(t_x[acc_points],t_y[acc_points],s=40,c="green" ,  edgecolors='#356')plt.scatter(t_x[err_points],t_y[err_points],s=80,c="red" ,  edgecolors='#789')plt.show()if __name__ == '__main__':main()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/1388.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

树莓派 Raspberry Pi Zero 2W 安装默认系统时 ssh 登录并开启摄像头推流一段时间B

Raspberry Pi Zero 2W有点鸡肋&#xff0c;hdmi口用的microhdmi口&#xff0c;不是树莓派4b的minihdmi口&#xff0c;然后zero 2W也没有usb接口&#xff0c;有一个microusb安卓的otg接口&#xff0c;很烦&#xff0c;还好有wifi蓝牙模块&#xff0c;这样子还能ssh&#xff0c;不…

ASP.NET Core MVC 从入门到精通之缓存

随着技术的发展&#xff0c;ASP.NET Core MVC也推出了好长时间&#xff0c;经过不断的版本更新迭代&#xff0c;已经越来越完善&#xff0c;本系列文章主要讲解ASP.NET Core MVC开发B/S系统过程中所涉及到的相关内容&#xff0c;适用于初学者&#xff0c;在校毕业生&#xff0c…

青岛大学_王卓老师【数据结构与算法】Week03_07_线性表的链式表示和实现7_学习笔记

本文是个人学习笔记&#xff0c;素材来自青岛大学王卓老师的教学视频。 一方面用于学习记录与分享&#xff0c;另一方面是想让更多的人看到这么好的《数据结构与算法》的学习视频。 如有侵权&#xff0c;请留言作删文处理。 课程视频链接&#xff1a; 数据结构与算法基础–…

Ubuntu20.04.4安装ROS Noetic教程

一&#xff1a;配置系统软件源&#xff0c;软件源初始化 1&#xff1a;配置系统软件源 sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup2&#xff1a;编辑系统软件源 sudo gedit /etc/apt/sources.list3&#xff1a;20.04LTS源码镜像复制到sources.list文件中 …

【线性代数】快速复习笔记

线性代数快速复习 行列式行列式的基础计算某行&#xff08;列加上或减去另一行&#xff08;列的几倍&#xff0c;行列式不变某行列乘k,等于k乘此行列式互换两行列&#xff0c;行列式变号 行列式的性质1 主对角线是X&#xff0c;其余是其他常数a2 范德蒙德行列式3 行列式加减法4…

如何排查 Electron V8 引发的内存 OOM 问题

经过长达大半年时间的崩溃治理后&#xff0c;基于 Electron 框架开发的新版 PC 淘宝直播推流客户端的稳定性终于赶超基于QT 框架开发的旧版本了。剩下的崩溃问题中有 40% 是跟内存 OOM 有关&#xff0c;其中 V8FatalErrorCallback js heap OOM 问题整整困扰了我一个多月。历经千…

C++语法练习(牛客题库)——练习1

1. 下列程序的运行结果是 1*2 3*4&#xff0c;那么横线处缺失程序可以是&#xff08;&#xff09; 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 #include <iostream> using namespace std; class Test{ public: Test(int a, int b) { …

ChatGPT 和 Elasticsearch:分面、过滤和更多上下文

作者&#xff1a;Luca Wintergerst 在最近的一篇博客文章中&#xff0c;我们讨论了 ChatGPT 和 Elasticsearch 如何协同工作以帮助更有效地管理专有数据。 通过利用 Elasticsearch 的搜索功能和 ChatGPT 的上下文理解&#xff0c;我们演示了如何改进结果。 在这篇文章中&#…

6.Mysql主从复制

文章目录 Mysql主从复制读写分离概念&#xff1a;读写分离的作用&#xff1a;读写分离的作用条件&#xff1a;主从复制与读写分离mysq支持的复制类型主从复制的工作过程配置时间同步主服务器配置从服务器配置 读写分离MySQL 读写分离原理目前较为常见的 MySQL 读写分离分为以下…

MySQL 主从复制[异步 同步 半同步复制] 读写分离 优化 (非常重要)

MySQL 主从复制 1、什么是读写分离&#xff1f; 读写分离&#xff0c;基本的原理是让主数据库处理事务性增、改、删操作&#xff08;INSERT、UPDATE、DELETE&#xff09;&#xff0c;而从数据库处理SELECT查询操作。数据库复制被用来把事务性操作导致的变更同步到集群中的从数据…

【Flutter】Flutter 使用 json_serializable 进行 JSON 序列化

文章目录 一、前言二、 json_serializable 简介三、如何在 Flutter 中安装和配置 json_serializable四、json_serializable 的基本使用五、一个实际的 Flutter 应用示例六、版本信息七、总结 一、前言 嗯啊&#xff0c;你好呀&#xff01;欢迎来到我的博客。 今天我们要聊聊的…

信创优选,国产开源,Solon v2.3.6 发布

Solon 是什么开源项目&#xff1f; 一个&#xff0c;Java 新的生态型应用开发框架。它从零开始构建&#xff0c;有自己的标准规范与开放生态&#xff08;历时五年&#xff0c;已有全球第二级别的生态&#xff09;。与其他框架相比&#xff0c;它解决了两个重要的痛点&#xff…