numpy如何实现神经网络反向传播算法

小编给大家分享一下numpy如何实现神经网络反向传播算法，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

一、任务

实现一个4 层的全连接网络实现二分类任务，网络输入节点数为2，隐藏层的节点数设计为：25,50,25，输出层2 个节点，分别表示属于类别1 的概率和类别2 的概率，如图所示。我们并没有采用Softmax 函数将网络输出概率值之和进行约束，而是直接利用均方差误差函数计算与One-hot 编码的真实标签之间的误差，所有的网络激活函数全部采用Sigmoid 函数，这些设计都是为了能直接利用梯度推导公式。

二、数据集

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，数据的特征长度为2，采样出的数据分布如图 所示，所有的红色点为一类，所有的蓝色点为一类，可以看到数据的分布呈月牙状，并且是是线性不可分的，无法用线性网络获得较好效果。为了测试网络的性能，按照7: 3比例切分训练集和测试集，其中2000 ∗ 0 3 =600个样本点用于测试，不参与训练，剩下的1400 个点用于网络的训练。 

import matplotlib.pyplot as plt import seaborn as sns #要注意的是一旦导入了seaborn，matplotlib的默认作图风格就会被覆盖成seaborn的格式 from sklearn.datasets import make_moons from sklearn.model_selection import train_test_split N_SAMPLES = 2000 # 采样点数 TEST_SIZE = 0.3 # 测试数量比率 # 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) print(X.shape, y.shape) # 绘制数据集的分布，X 为2D 坐标，y 为数据点的标签 def make_plot(X, y, plot_name, file_name=None, XX=None, YY=None, preds=None,dark=False):   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('dataset.svg')   plt.close() # 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 ") plt.show()

三、网络层

通过新建类Layer 实现一个网络层，需要传入网络层的数据节点数，输出节点数，激活函数类型等参数，权值weights 和偏置张量bias 在初始化时根据输入、输出节点数自动生成并初始化：

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) *0.1     self.activation = activation # 激活函数类型，如'sigmoid'     self.last_activation = None # 激活函数的输出值o     self.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     def activate(self, x):     # 前向传播     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o     self.last_activation = self._apply_activation(r)     return self.last_activation   # 其中self._apply_activation 实现了不同的激活函数的前向计算过程：   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     elif self.activation == 'tanh':       return np.tanh(r)     # sigmoid     elif self.activation == 'sigmoid':       return 1 / (1 + np.exp(-r))     return r     # 针对于不同的激活函数，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1     if 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

四、网络模型

完成单层网络类后，再实现网络模型的类NeuralNetwork，它内部维护各层的网络层Layer 类对象，可以通过add_layer 函数追加网络层，实现如下：

class NeuralNetwork:   # 神经网络大类   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用个网络层对象的前向计算函数即可   def feed_forward(self, X):     # 前向传播     for layer in self._layers:       # 依次通过各个网络层       X = layer.activate(X)     return X     #网络模型的反向传播实现稍复杂，需要从最末层开始，计算每层的?变量，根据我们   #推导的梯度公式，将计算出的?变量存储在Layer类的delta变量中   # 因此，在backpropagation 函数中，反向计算每层的?变量，并根据梯度公式计算每层参数的梯度值，   # 按着梯度下降算法完成一次参数的更新。   def 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)       # 在反向计算完每层的?变量后，只需要按着式计算每层的梯度，并更新网络参数即可。   # 由于代码中的delta 计算的是−?，因此更新时使用了加号。         # 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_rate           def 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     mses = []     for i in range(max_epochs): # 训练1000 个epoch       for 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 Loss         mse = np.mean(np.square(y_onehot - self.feed_forward(X_train)))         mses.append(mse)         print('Epoch: #%s, MSE: %f' % (i, float(mse)))         # 统计并打印准确率         print('Accuracy: %.2f%%' % (self.accuracy(self.predict(X_test),y_test.flatten()) * 100))     return mses     def accuracy(self,y_pre,y_true):     return np.mean((np.argmax(y_pre, axis=1) == y_true))     def predict(self,X_test):     return self.feed_forward(X_test)

五、实例化NeuralNetwork类，进行训练

nn = NeuralNetwork() # 实例化网络类 nn.add_layer(Layer(2, 25, 'sigmoid')) # 隐藏层1, 2=>25 nn.add_layer(Layer(25, 50, 'sigmoid')) # 隐藏层2, 25=>50 nn.add_layer(Layer(50, 25, 'sigmoid')) # 隐藏层3, 50=>25 nn.add_layer(Layer(25, 2, 'sigmoid')) # 输出层, 25=>2 learning_rate = 0.01 max_epochs = 1000 nn.train(X_train, X_test, y_train, y_test, learning_rate,max_epochs)

以上是“numpy如何实现神经网络反向传播算法”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！