深入剖析神经网络的运行机理及实现.doc

深入剖析神经网络的运行机理及实现 随着大数据和机器硬件水平的提升，神经网络特别是深度神经网络现在是大火特火。因为目前的深度学习模型都是基于神经网络进行的改进和加深，所以要想对深度学习有一些较深入的研究，先熟悉和了解人工神经网络是非常有帮助的。 本文基于神经网络实现一个手写体数字识别模型，此处使用的数据集为sklearn自带的digit数据，只要装了sklearn就可以直接获得。 1、手写体人工神经网络模型 神经网络是一个判别模型，它会利用训练集学到一个从输入到输出的映射关系，结构上可以分为输入层、隐藏层和输出层，如上图。输入层用于接收数据的输入，通过隐藏层的处理，最后经输出层转换得到输出。 上图为基于mnist数据集画的一个神经网络模型，因为mnist一张图片为28*28=784，故输入层有784个神经元。而digit的图片为8*8=64，故digit数据集的输入层有64个神经元，也就是说我们将要实现的神经网络输入层有64个神经元，要简单很多。 神经网络的性能如何，隐层的设计非常关键，隐藏层是设计用来自动学习特征的，通过这些学到的特征来进行最后一层的分类任务，那它会学到什么东西呢？在手写体数字识别中，大概会学到这样的特征： 有了隐层学到的这些东西，那么对它进行组合判断就很容易得到输出了，例如发现上面的四个特征均被激活，则如我们所知，其有很大的概率表示数字0。 2、运行机理及实现 在有监督学习中，模型会分为训练阶段和预测阶段，在训练阶段将模型中的待定参数学习出来，然后用在预测阶段，就好像我们初中求解带参方程ax+b=y一样，首先通过已知条件把方程中的参数给求解出来，然后再利用求出来的参数计算给定x下的y值。 在神经网络的训练阶段，主要包括以下几步： （1）加载训练集； （2）前向传导，将信息传递给输出层； （3）利用标注信息和代价函数来计算代价； （4）通过反向传播代价函数梯度来更新每一层中的参数 其简单实现的整体代码如下： #coding=utf-8 ''' Created on Jul 20, 2016 ''' import numpy as np import random from sklearn import datasets class Network(object): def __init__(self,sizes): ''' parameters: sizes中保存了神经网络各层神经元个数 functions: 对神经网络层与层之间的连接参数进行初始化 ''' #权重矩阵 self.weights = [np.random.randn(y,x) for x,y in zip(sizes[:-1],sizes[1:])] #偏置矩阵 self.biases = [np.random.randn(x) for x in sizes[1:]] def init_parameters(self,parameters): ''' functions:初始化模型参数 parameters主要包括: epochs:迭代次数 mini_batch_size:批处理大小 eta:学习率 nnLayers_size:神经网络层数 ''' self.epochs = parameters.get("epochs") self.mini_batch_size = parameters.get("mini_batch_size") self.eta = parameters.get("eta") self.nnLayers_size = parameters.get("nnLayers_size") def load_data(self): ''' functions:加载数据集，这里使用的是sklearn自带的digit手写体数据集 ''' digits = datasets.load_digits() return digits.data, digits.target def feed_