神经网络简介

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:
神经网络简介

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:
神经网络简介

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:
神经网络简介
该网络有2个输入,一个隐含层有2个神经元(h_1h_2),一个输出层有1个神经元(o_1)。注意o_1的输入是h_1h_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_1h_2o_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?
神经网络简介
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:
神经网络简介

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:
神经网络简介
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:
神经网络简介
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:
神经网络简介
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:
神经网络简介

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?
神经网络简介
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:
神经网络简介
那么平均平方误差损失就是Alice的平方误差:
神经网络简介
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:
神经网络简介

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:
神经网络简介
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}}:
神经网络简介

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:
神经网络简介
更多的链式法则。

我们对\frac{∂h_1}{∂w_1}做同样的事情:
神经网络简介
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:
神经网络简介

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:
神经网络简介

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:
神经网络简介
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:
神经网络简介
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}:
神经网络简介
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:
神经网络简介
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:
神经网络简介
神经网络简介

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)

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:
神经网络简介
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!

Python教程

Java教程

Web教程

数据库教程

图形图像教程

大数据教程

开发工具教程

计算机教程