神经网络简介,适用于机器学习的初学者,假设你没有任何机器学习的知识。简单解释它们如何工作,以及如何在Python中从头实现一个神经网络。可能会让你大吃一惊的是:神经网络并没有那么复杂!“神经网络”这个词经常被用作流行语,但实际上它们往往比人们想象的要简单得多。
让我们开始吧!
构建块:神经元
首先,我们要讨论神经元,神经网络的基本单位。神经元接受输入,用它们做一些数学运算,然后产生一个输出。这是一个2-input neuron的样子:
这里发生了三件事。首先,每个输入乘以一个权重:
x_1 \rightarrow x_1 * w_1
x_2 \rightarrow x_2 * w_2
然后将所有加权后的输入与偏置b相加:
x_1 * w_1 + x_2 * w_2 + b
最后,总和通过一个激活函数传递:
y = f(x_1 * w_1 + x_2 * w_2 + b)
激活函数用于将无界输入转换为具有良好的、可预测形式的输出。一个常用的激活函数是sigmoid函数:
sigmoid函数只输出(0,1)范围内的数字。你可以把(-\infty, +\infty)压缩到(0,1)-大负数变成~0,大正数变成~1。
一个简单的例子
假设我们有一个使用sigmoid激活函数的2-input神经元,其参数如下:
w=[0,1]
b = 4
w=[0,1]是向量形式w_1 = 0,w_2 = 1的一种写法。现在,让神经元输入x = [2,3]。我们用点积来写得更简洁:
(w⋅x)+b =((w1∗x1)+(w2 ∗x 2))+b
=0∗2+1∗3+4
=7
y = f(w \cdot x + b) = f(7) = \boxed{0.999}
给定输入x=[2,3],神经元输出0.999。就是这样!将输入向前传递以获得输出的过程称为前馈(feedforward)。
编码一个神经元
是时候实现一个神经元了!我们将使用NumPy,一个流行而强大的Python计算库,来帮助我们做数学:
import numpy as np
def sigmoid(x):
# Our activation function: f(x) = 1 / (1 + e^(-x))
return 1 / (1 + np.exp(-x))
class Neuron:
def __init__(self, weights, bias):
self.weights = weights
self.bias = bias
def feedforward(self, inputs):
# Weight inputs, add bias, then use the activation function
total = np.dot(self.weights, inputs) + self.bias
return sigmoid(total)
weights = np.array([0, 1]) # w1 = 0, w2 = 1
bias = 4 # b = 4
n = Neuron(weights, bias)
x = np.array([2, 3]) # x1 = 2, x2 = 3
print(n.feedforward(x)) # 0.9990889488055994
认识这些数字吗?这就是我们刚才做的例子!得到0.999。
将神经元组合成一个神经网络
神经网络只不过是一群连接在一起的神经元。下面是一个简单的神经网络的样子:
该网络有2个输入,一个隐含层有2个神经元(h_1和h_2),一个输出层有1个神经元(o_1)。注意o_1的输入是h_1和h_2的输出——这就是网络的组成。
隐藏层是在输入(第一个)层和输出(最后一个)层之间的任何层。可以有多个隐藏层!
一个例子:前馈
让我们使用上图所示的网络,假设所有的神经元都具有相同的权值w =[0,1],相同的偏差b = 0,以及相同的sigmoid激活函数。设h_1、h_2、o_1表示它们所表示的神经元的输出。
如果我们输入x =[2,3]会发生什么?
输入x=[2,3]的神经网络输出为0.7216。很简单,对吧?
一个神经网络可以有任意数量的层,其中包含任意数量的神经元。其基本思想是相同的:通过网络中的神经元向前提供输入,最终得到输出。为了简单起见,我们将在本文的其余部分继续使用上面所示的网络。
神经网络编码:前馈
我们来实现神经网络的前馈。这里是网络的图片,再次供参考:
import numpy as np
# ... code from previous section here
class OurNeuralNetwork:
'''
A neural network with:
- 2 inputs
- a hidden layer with 2 neurons (h1, h2)
- an output layer with 1 neuron (o1)
Each neuron has the same weights and bias:
- w = [0, 1]
- b = 0
'''
def __init__(self):
weights = np.array([0, 1])
bias = 0
# The Neuron class here is from the previous section
self.h1 = Neuron(weights, bias)
self.h2 = Neuron(weights, bias)
self.o1 = Neuron(weights, bias)
def feedforward(self, x):
out_h1 = self.h1.feedforward(x)
out_h2 = self.h2.feedforward(x)
# The inputs for o1 are the outputs from h1 and h2
out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))
return out_o1
network = OurNeuralNetwork()
x = np.array([2, 3])
print(network.feedforward(x)) # 0.7216325609518421
我们得到0.7216 !看起来有用。
训练神经网络,第1部分
假设我们有以下测量值:
让我们训练我们的网络,根据一个人的体重和身高来预测他的性别:
我们将用0表示男性,用1表示女性,我们还将改变数据,使其更容易使用:
随意选择了移位量(135和66),以使数字看起来很漂亮。一般情况下,你会平移。
损失
在训练我们的网络之前,我们首先需要一种方法来量化它做得有多“好”,这样它就可以尝试做得“更好”。这就是损失。
我们将使用均方误差(MSE)损失:
让我们来分解一下:
- n是样本数,也就是4(Alice, Bob, Charlie, Diana)
- y表示预测的变量,即性别。
- $$y_{true}$$是变量的真值(“正确答案”)。例如,Alice的$$y_{true}$$为1(女性)。
- $$y_{pred}$$是变量的预测值。它是我们的网络输出。
- $$(y_{true} – y_{pred})^2$$被称为平方误差。损失函数只是取所有平方误差的平均值(因此得名均方误差)。我们的预测越好,我们的损失就会越低!
更好的预测=更低的损失。
训练一个网络=尽量减少它的损失。
损失计算实例
假设我们的网络总是输出 0 – 换句话说,它确信所有人类都是男性。我们的损失会是什么?
代码:MSE损失
下面是一些计算损失的代码:
import numpy as np
def mse_loss(y_true, y_pred):
# y_true and y_pred are numpy arrays of the same length.
return ((y_true - y_pred) ** 2).mean()
y_true = np.array([1, 0, 0, 1])
y_pred = np.array([0, 0, 0, 0])
print(mse_loss(y_true, y_pred)) # 0.5
如果不理解这段代码的工作原理,请阅读NumPy quickstart on数组操作。
好了。开始!
训练神经网络,第2部分
我们现在有一个明确的目标:最小化神经网络的损失。我们知道我们可以改变网络的权重和偏差来影响它的预测,但我们如何才能以一种减少损失的方式做到这一点呢?
本节使用一些多变量微积分。如果你对微积分不熟悉,可以跳过数学部分。
为了简单起见,假设我们的数据集中只有Alice:
那么平均平方误差损失就是Alice的平方误差:
另一种考虑损失的方法是将损失看作权重和偏差的函数。让我们在我们的网络中标记每个权重和偏差:
然后,我们可以将损失写成多元函数:
L(w_1,w_2,w_3,w_4,w_5,w_6,b_1,b_2,b_3)
假设我们想调整w_1。如果我们改变w_1,损失L会怎样变化?
这是偏导\frac{∂L}{∂w_1}可以回答的问题。我们怎么计算它?
这就是数学开始变得更加复杂的地方。不要气馁!我建议你带一支笔和一张纸,这样可以帮助你理解。
首先,我们把偏导写成\frac{∂y_{pred}}{∂w_1}的形式:
因为链式法则所以这样写是有效的。
因为我们先前计算了L=(1-y_{pred})^2,所以我们可以计算\frac{∂L}{∂y_{pred}}:
现在,我们来看看如何处理\frac{∂y_{pred}}{∂w_1}。就像之前一样,让h_1,h_2,o_1是它们所代表的神经元的输出,此时:
y_{pred}=o_1=f(w_5h_1+w_6h_2+b3)
f是sigmoid激活函数,记得吗?
因为w_1仅仅影响了h_1(而非h_2),所以我们可以这样写:
更多的链式法则。
我们对\frac{∂h_1}{∂w_1}做同样的事情:
你猜对了,链式法则。
这里x1是重量,x2是高度。这是我们第二次看到f'(x) (sigmoid函数的导数)了!让我们推导:
我们稍后会用这个形式来表示f'(x)。
我们完成了!我们已经把\frac{∂L}{∂w_1}分解成几个部分,我们可以计算:
这种通过逆向计算偏导数的系统称为反向传播,或“backprop”。
唷。有很多符号——如果你仍然有点困惑,也没关系。让我们做一个例子来看看它的实际效果!
例子:计算偏导数
我们将继续假装只有Alice在我们的数据集中:
让我们初始化所有的权值为1,所有的偏差为0。如果我们做一个前馈通过网络,我们得到:
网络输出y_{pred} =0.524,这并不强烈支持男性(0)或女性(1)。让我们计算\frac{∂L}{∂w_1}:
提醒:我们推导了f'(x) = f(x) * (1 – f(x))用于之前的sigmoid激活函数。
我们做到了!这告诉我们,如果我们增加w_1, L会增加一点点。
训练:随机梯度下降
我们现在有了训练神经网络所需的所有工具!我们将使用一种称为随机梯度下降(SGD)的优化算法,它告诉我们如何改变权重和偏差以最小化损失。基本上就是这个更新方程:
η是一个常数,称为学习速率,用于控制我们训练速度。我们要做的就是从w_1中减去η\frac{∂L}{∂w_1}:
- 如果\frac{∂L}{∂w_1} 是正的,w_1将减少,那么会导致L也减少;
- 如果\frac{∂L}{∂w_1} 是负的,w_1将增加,那么会导致L也增加;
如果我们对网络中的每一个权重和偏差都这样做,损失就会慢慢减少,我们的网络就会改善。
我们的训练流程如下:
- 从数据集中选择一个示例。这就是随机梯度下降的原因——我们一次只对一个样本进行操作。
- 计算所有损失对权重或偏差的偏导数(例如\frac{∂L}{∂w_1},\frac{∂L}{∂w_2},等等)
- 使用更新方程更新每个权重和偏差。
- 回到步骤1。
让我们看看它的行动!
代码:一个完整的神经网络
是时候实现一个完整的神经网络了:
import numpy as np
def sigmoid(x):
# Sigmoid activation function: f(x) = 1 / (1 + e^(-x))
return 1 / (1 + np.exp(-x))
def deriv_sigmoid(x):
# Derivative of sigmoid: f'(x) = f(x) * (1 - f(x))
fx = sigmoid(x)
return fx * (1 - fx)
def mse_loss(y_true, y_pred):
# y_true and y_pred are numpy arrays of the same length.
return ((y_true - y_pred) ** 2).mean()
class OurNeuralNetwork:
'''
A neural network with:
- 2 inputs
- a hidden layer with 2 neurons (h1, h2)
- an output layer with 1 neuron (o1)
*** DISCLAIMER ***:
The code below is intended to be simple and educational, NOT optimal.
Real neural net code looks nothing like this. DO NOT use this code.
Instead, read/run it to understand how this specific network works.
'''
def __init__(self):
# Weights
self.w1 = np.random.normal()
self.w2 = np.random.normal()
self.w3 = np.random.normal()
self.w4 = np.random.normal()
self.w5 = np.random.normal()
self.w6 = np.random.normal()
# Biases
self.b1 = np.random.normal()
self.b2 = np.random.normal()
self.b3 = np.random.normal()
def feedforward(self, x):
# x is a numpy array with 2 elements.
h1 = sigmoid(self.w1 * x[0] + self.w2 * x[1] + self.b1)
h2 = sigmoid(self.w3 * x[0] + self.w4 * x[1] + self.b2)
o1 = sigmoid(self.w5 * h1 + self.w6 * h2 + self.b3)
return o1
def train(self, data, all_y_trues):
'''
- data is a (n x 2) numpy array, n = # of samples in the dataset.
- all_y_trues is a numpy array with n elements.
Elements in all_y_trues correspond to those in data.
'''
learn_rate = 0.1
epochs = 1000 # number of times to loop through the entire dataset
for epoch in range(epochs):
for x, y_true in zip(data, all_y_trues):
# --- Do a feedforward (we'll need these values later)
sum_h1 = self.w1 * x[0] + self.w2 * x[1] + self.b1
h1 = sigmoid(sum_h1)
sum_h2 = self.w3 * x[0] + self.w4 * x[1] + self.b2
h2 = sigmoid(sum_h2)
sum_o1 = self.w5 * h1 + self.w6 * h2 + self.b3
o1 = sigmoid(sum_o1)
y_pred = o1
# --- Calculate partial derivatives.
# --- Naming: d_L_d_w1 represents "partial L / partial w1"
d_L_d_ypred = -2 * (y_true - y_pred)
# Neuron o1
d_ypred_d_w5 = h1 * deriv_sigmoid(sum_o1)
d_ypred_d_w6 = h2 * deriv_sigmoid(sum_o1)
d_ypred_d_b3 = deriv_sigmoid(sum_o1)
d_ypred_d_h1 = self.w5 * deriv_sigmoid(sum_o1)
d_ypred_d_h2 = self.w6 * deriv_sigmoid(sum_o1)
# Neuron h1
d_h1_d_w1 = x[0] * deriv_sigmoid(sum_h1)
d_h1_d_w2 = x[1] * deriv_sigmoid(sum_h1)
d_h1_d_b1 = deriv_sigmoid(sum_h1)
# Neuron h2
d_h2_d_w3 = x[0] * deriv_sigmoid(sum_h2)
d_h2_d_w4 = x[1] * deriv_sigmoid(sum_h2)
d_h2_d_b2 = deriv_sigmoid(sum_h2)
# --- Update weights and biases
# Neuron h1
self.w1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w1
self.w2 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w2
self.b1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_b1
# Neuron h2
self.w3 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w3
self.w4 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w4
self.b2 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_b2
# Neuron o1
self.w5 -= learn_rate * d_L_d_ypred * d_ypred_d_w5
self.w6 -= learn_rate * d_L_d_ypred * d_ypred_d_w6
self.b3 -= learn_rate * d_L_d_ypred * d_ypred_d_b3
# --- Calculate total loss at the end of each epoch
if epoch % 10 == 0:
y_preds = np.apply_along_axis(self.feedforward, 1, data)
loss = mse_loss(all_y_trues, y_preds)
print("Epoch %d loss: %.3f" % (epoch, loss))
# Define dataset
data = np.array([
[-2, -1], # Alice
[25, 6], # Bob
[17, 4], # Charlie
[-15, -6], # Diana
])
all_y_trues = np.array([
1, # Alice
0, # Bob
0, # Charlie
1, # Diana
])
# Train our neural network!
network = OurNeuralNetwork()
network.train(data, all_y_trues)
在 Github上可以找到完整代码.
随着网络的训练学到更多,我们的损失逐渐减少:
我们现在可以用这个网络来预测性别:
# Make some predictions
emily = np.array([-7, -3]) # 128 pounds, 63 inches
frank = np.array([20, 2]) # 155 pounds, 68 inches
print("Emily: %.3f" % network.feedforward(emily)) # 0.951 - F
print("Frank: %.3f" % network.feedforward(frank)) # 0.039 - M
现在怎么办呢?
你成功了!快速回顾一下我们所做的:
- 介绍了神经元,神经网络的组成部分。
- 在我们的神经元中使用sigmoid激活功能。
- 看到神经网络只是连接在一起的神经元。
- 创建一个数据集,将体重和身高作为输入(或特性),性别作为输出(或标签)。
- 学习了损失函数和均方误差损失。
- 意识到培训一个网络只是把它的损失降到最低。
- 使用反向传播计算偏导数。
- 利用随机梯度下降法(SGD)对网络进行训练。
Thanks for reading!