整理DBN代码注释.pptxVIP

import java.util.Random; public class DBN { public int N; public int n_ins; public int[] hidden_layer_sizes; public int n_outs; public int n_layers; public HiddenLayer[] sigmoid_layers; public RBM[] rbm_layers; public LogisticRegression log_layer; public Random rng; public static double sigmoid(double x) { return 1.0 / (1.0 + Math.pow(Math.E, -x)); } //DBN 的构造函数 N 为样本的个数， n-ins 为特征个数， hidden_layer_sizes 为 隐藏层的结构， n-outs 为输出维数， n-layers 为隐藏层个数， rng 为随机数实例 public DBN(int N, int n_ins, int[] hidden_layer_sizes, int n_outs, int n_layers, Random rng) { int input_size; this.N = N; // 赋值样本数目 this.n_ins = n_ins; //赋值特征个数 this.hidden_layer_sizes = hidden_layer_sizes; //赋值隐藏层结构 this.n_outs = n_outs; // 赋值输出维数 this.n_layers = n_layers; // 赋值隐藏层数目 this.sigmoid_layers = new HiddenLayer[n_layers]; // 声明两个隐藏层 this.rbm_layers = new RBM[n_layers]; //声明两个RBM对应每个隐藏层 if(rng == null) this.rng = new Random(1234); // 获取一个随机数值 else this.rng = rng; // construct multi-layer 初始化每个隐藏层 for(int i=0; ithis.n_layers; i++) { if(i == 0) { input_size = this.n_ins; //第一层隐藏层的输入为样本的特征的 个数 } else { input_size = this.hidden_layer_sizes[i-1]; // 后面的隐藏层 的输入为上一层隐藏层的输出，也就是上一层的隐藏层节点的个数。 };// sigmoid 层是用来计算的， rbm 是用来调整 w , b , c 的 // construct sigmoid_layer 初始化每个隐藏层 ， 初始化做的事情就 是给W和b赋随机值 this.sigmoid_layers[i] = new HiddenLayer(this.N, input_size, this.hidden_layer_sizes[i], null, null, rng); // construct rbm_layer 初始化玻尔兹曼机，其实也就是初始化，W， b , c 其中，w , b 用的是hiddenlayer的 this.rbm_layers[i] = new RBM(this.N, input_size, this.hidden_layer_sizes[i], this.sigmoid_layers[i].W, this.sigmoid_layers[i].b, null, rng); } //在完成每一层的构建之后，构建一个输出的逻辑回归层 // layer for output using LogisticRegression， 参数为样本个数N， 输 入为网络结构最后一层的输出数， 输出为DBM网络设置的输出维数 this.log_layer = new LogisticRegression(this.N, this.hidden_layer_sizes[this.n_layers-1], this.n_outs); } //对DBN网络进行一个预训练，目的是为每一层先构造更好的W和b， 先使得网络更好 的拟合样本的分布，类似于先把点放在最后值的附近 public void pretrain(int[][] train_X, double lr, int k, int epochs) { //输入训练样本， 学习率lr ， CD-k =1 , epochs=1000 int[] la