BP神经网络详解和python实现

概述

神经网络结构由输入层，隐藏层和输出层构成，神经网络中的每个结点都与上一层全部的结点都有链接，咱们称之为全链接，以下图html

在图中的神经网络中，原始的输入数据，经过第一层隐含层的计算得出的输出数据，会传到第二层隐含层。而第二层的输出，又会做为输出层的输入数据。python

向前传播

计算出输入层数据传输到隐藏层:

由下图可知咱们能够计算出隐藏层的第一个神经元的值：算法

$Z_1 = X_1 * W_{11} + X_2 * W_{12} + X_3 * W_{13} + b_{1}$

$\alpha_{1} = f(Z_1)$

其中为激活函数markdown

由下图可知咱们能够计算出隐藏层的第二个神经元的值：网络

$Z_2 = X_1 * W_{21} + X_2 * W_{22} + X_3 * W_{23} + b_{1}$

$\alpha_{2} = f(Z_2)$

由下图可知咱们能够计算出隐藏层的第三个神经元的值：app

$Z_3 = X_1 * W_{31} + X_2 * W_{32} + X_3 * W_{33} + b_{1}$

$\alpha_{3} = f(Z_2)$

到此咱们己经算出全部从输入层到隐藏层的全部值。dom

计算隐藏层到输出层的过程:

由下图可知咱们能够计算出隐藏层到第一个输出神经元 $Z_{4}$ 的值：函数

$Z_{4} = \alpha_{1} * W_{41} + \alpha_{2} * W_{42} + \alpha_{3} * W_{43} + b_{2}$

$\alpha_{4} = f(Z_{4})$

同理能够得出 $Z_{5}$ ， $Z_{6}$ 的值：oop

$Z_{5} = \alpha_{1} * W_{51} + \alpha_{2} * W_{52} + \alpha_{3} * W_{53} + b_{2}$

$\alpha_{5} = f(Z_{5})$

$Z_{6} = \alpha_{1} * W_{61} + \alpha_{2} * W_{62} + \alpha_{3} * W_{63} + b_{2}$

$\alpha_{6} = f(Z_{6})$

为了简化咱们之后的数据处理流程，如今咱们设第层的输入数据为向量 $\alpha^{l}$ ,权重为 $W^{l}$ ,偏置变量为 $b^{l}$ 。则咱们从上面的求解流程能够得出层的数据为：学习

$z^{l+1} = \alpha^{l} * W^{l} + b^{l} \cdots(1)$

$\alpha^{l+1} = f(z^{l+1}) \cdots(2)$

至此神经网络的前向传播过程己经讲完。

反向传播

反向转播的思想就是，咱们经过前向传播后计算出网络的输出值，知道输出值后咱们就能够求出输出层的残差，再从输出层反向把残差传回各层的神经元中。

假设咱们有一个固定样本集 $\{ (x^{(1)}, y^{(1)}), \ldots, (x^{(m)}, y^{(m)})\}$ ，它包含个样例。咱们能够用批量梯度降低法来求解神经网络。具体来说，对于单个样例，其代价函数以下图（摘自网络）：

咱们能够定义总体代价函数以下图（摘自网络）：

$\begin{align} \\ J(W,b) &= \left[ \frac{1}{m} \sum_{i=1}^mJ(W,b;x^{(i),y^{(i)}}) \right] + \frac{\lambda}{2}\sum_{l=1}^{n_l-1} \sum_{i=1}^{s_l + 1} \sum_{j=1}^{s_{l}}(W_{ij}^{(l)})^{2} \\ &= \left[ \frac{1}{m} \sum_{i=1}^m\frac{1}{2} (h_{W,b}(x^{(i)}) - y^{(i)})^{2} \right] + \frac{\lambda}{2} \sum_{l=1}^{n_l-1} \sum_{i=1}^{s_l + 1} \sum_{j=1}^{s_{l}}(W_{ij}^{(l)})^{2} \\ \end{align}$

以上关于定义中的第一项是一个均方差项。第二项是一个规则化项（也叫权重衰减项），其目的是减少权重的幅度，防止过分拟合。

有了整体代价函数后，咱们的目标能够转化成求代价函数的最小值。咱们使用梯度降低算法求代价函数的最小值，因此咱们得出如下公式：

$W^{l}_{ij} = W^{l}_{ij} - \eta \frac{\partial J(W, b)}{\partial W_{ij}}$

$b^{l}_{i} = b^{l}_{i} - \eta \frac{\partial J(W, b)}{\partial b_i}$

咱们对整体代价函数求偏导:

$\begin{align} \\ \frac{\partial J(W, b)}{\partial W^{l}_{ij}} &= \left[ \frac{1}{m}\frac{\partial}{\partial W^{l}_{ij}} \sum_{i=1}^mJ(W,b;x^{(i),y^{(i)}}) \right] + \lambda W^{l}_{ij} \\ &= \left[ \frac{1}{m} \sum_{i=1}^m \frac{\partial}{\partial W^{l}_{ij}}J(W,b;x^{(i),y^{(i)}}) \right] + \lambda W^{l}_{ij} \\ \end{align}$

$\begin{align} \\ \frac{\partial J(W, b)}{\partial b^{l}_{i}} &= \left[ \frac{1}{m}\frac{\partial}{\partial b^{l}_{i}} \sum_{i=1}^mJ(W,b;x^{(i),y^{(i)}}) \right] \\ &= \left[ \frac{1}{m} \sum_{i=1}^m \frac{\partial}{\partial b^{l}_{i}}J(W,b;x^{(i),y^{(i)}}) \right] \\ \end{align}$

经过上面两个式子能够看出，咱们把问题转化成求 $\frac{\partial}{\partial W^{l}_{ij}}J(W,b;x^{(i),y^{(i)}})$ 与 $\frac{\partial}{\partial b^{l}_{i}}J(W,b;x^{(i),y^{(i)}})$ 的值

因此对于第层（输出层）的每一个输出单元，咱们根据如下公式计算残差（下图摘自网络）：

对 $l = n_l-1, n_l-2, n_l-3, \ldots, 2$ 的各个层，第层的第个节点的残差计算方法以下（下图摘自网络）：

以上逐次从后向前求导的过程即为“反向传导”的本意所在。

计算咱们须要的偏导数，计算方法以下：

BP神经网络python实现

# -*- coding: utf-8 -*-
''' Created on @author: Belle '''
from numpy.random.mtrand import randint
import numpy as np


'''双曲函数'''
def tanh(value):
    return (1 / (1 + np.math.e ** (-value)))

'''双曲函数的导数'''
def tanhDer(value):
    tanhValue = tanh(value)
    return tanhValue * (1 - tanhValue)

''' Bp神经网络model '''
class BpNeuralNetWorkModel:
    def __init__(self, trainningSet, label, layerOfNumber, studyRate):
        '''学习率'''
        self.studyRate = studyRate
        '''计算隐藏层神经元的数量'''
        self.hiddenNeuronNum = int(np.sqrt(trainningSet.shape[1] + label.shape[1]) + randint(1, 10))
        '''层数据'''
        self.layers = []
        '''建立输出层'''
        currentLayer = Layer()
        currentLayer.initW(trainningSet.shape[1], self.hiddenNeuronNum)
        self.layers.append(currentLayer)
        
        '''建立隐藏层'''
        for index in range(layerOfNumber - 1):
            currentLayer = Layer()
            self.layers.append(currentLayer)
            '''输出层后面不须要求权重值'''
            if index == layerOfNumber - 2:
                break
            nextLayNum = 0
            
            '''初始化各个层的权重置'''
            if index == layerOfNumber - 3:
                '''隐藏层到输出层'''
                nextLayNum = label.shape[1]
            else:
                '''隐藏层到隐藏层'''
                nextLayNum = self.hiddenNeuronNum
            currentLayer.initW(self.hiddenNeuronNum, nextLayNum)
        '''输出层的分类值'''
        currentLayer = self.layers[len(self.layers) - 1]
        currentLayer.label = label
    
    '''神经网络前向传播'''
    def forward(self, trainningSet):
        '''计算输入层的输出值'''
        currentLayer = self.layers[0]
        currentLayer.alphas = trainningSet
        currentLayer.caculateOutPutValues()
        
        preLayer = currentLayer
        for index in range(1, len(self.layers)):
            currentLayer = self.layers[index]
            '''上一层的out put values就是这一层的zValues'''
            currentLayer.zValues = preLayer.outPutValues
            '''计算alphas'''
            currentLayer.caculateAlphas()
            '''最后一层不须要求输出值，只要求出alpha'''
            if index == len(self.layers) - 1:
                break
            '''输入层计算out puts'''
            currentLayer.caculateOutPutValues()
            '''指向上一层的layer'''
            preLayer = currentLayer
    
    '''神经网络后向传播'''
    def backPropogation(self):
        layerCount = len(self.layers)
        
        '''输出层的残差值'''
        currentLayer = self.layers[layerCount - 1]
        currentLayer.caculateOutPutLayerError()
        
        '''输出层到隐藏层'''
        preLayer = currentLayer
        layerCount = layerCount - 1
        while layerCount >= 1:
            '''当前层'''
            currentLayer = self.layers[layerCount - 1]
            '''更新权重'''
            currentLayer.updateWeight(preLayer.errors, self.studyRate)
            if layerCount != 1:
                currentLayer.culateLayerError(preLayer.errors)
            layerCount = layerCount - 1
            preLayer = currentLayer
            
''' 建立层 '''
class Layer:
    def __init__(self):
        self.b = 0
    
    '''使用正态分布的随机值初始化w的值'''
    def initW(self, numOfAlpha, nextLayNumOfAlpha):
        self.w = np.mat(np.random.randn(nextLayNumOfAlpha, numOfAlpha))
    
    '''计算当前层的alphas'''
    def caculateAlphas(self):
        '''alpha = f(z)'''
        self.alphas = np.mat([tanh(self.zValues[row1,0]) for row1 in range(len(self.zValues))])
        '''求f'(z)的值（即f的导数值）'''
        self.zDerValues = np.mat([tanhDer(self.zValues[row1,0]) for row1 in range(len(self.zValues))])
    
    '''计算out puts'''
    def caculateOutPutValues(self):
        '''计算当前层z = w * alpha的的下一层的输入值'''
        self.outPutValues = self.w * self.alphas.T + self.b
    
    '''计算输出层的残差'''
    def caculateOutPutLayerError(self):
        self.errors = np.multiply(-(self.label - self.alphas), self.zDerValues)
        print("out put layer alphas ..." + str(self.alphas))
    
    '''计算其它层的残差'''
    def culateLayerError(self, preErrors):
        self.errors = np.mat([(self.w[:,column].T * preErrors.T * self.zDerValues[:,column])[0,0] for column in range(self.w.shape[1])])
    
    '''更新权重'''
    def updateWeight(self, preErrors, studyRate):
        data = np.zeros((preErrors.shape[1], self.alphas.shape[1]))
        for index in range(preErrors.shape[1]):
            data[index,:] = self.alphas * (preErrors[:,index][0,0])
        self.w = self.w - studyRate * data

''' 训练神经网络模型 @param train_set: 训练样本 @param labelOfNumbers: 训练总类别 @param layerOfNumber: 神经网络层数，包括输出层，隐藏层和输出层(默认只有一个输入层，隐藏层和输出层) '''
def train(train_set, label, layerOfNumber = 3, sampleTrainningTime = 5000, studyRate = 0.6):
    neuralNetWork = BpNeuralNetWorkModel(train_set, label, layerOfNumber, studyRate)
    '''训练数据'''
    for row in range(train_set.shape[0]):
        '''当个样本使用梯度降低的方法训练sampleTrainningTime次'''
        for time in range(sampleTrainningTime):
            '''前向传播 '''
            neuralNetWork.forward(train_set[row,:])
            '''反向传播'''
            neuralNetWork.backPropogation()
            


复制代码

测试代码

# -*- coding: utf-8 -*-
''' Created on 2018��5��27�� @author: Belle '''

import BpNeuralNetWork
import numpy as np

train_set = np.mat([[0.05, 0.1], [0.3, 0.2]])
labelOfNumbers = np.mat([0.1, 0.99, 0.3])
layerOfNumber = 4

bpNeuralNetWork = BpNeuralNetWork.train(train_set, labelOfNumbers, layerOfNumber)

复制代码

如下是测试代码的输出值