线性与非线性激活函数的作用（以一个2层的神经网络为例） |
您所在的位置：网站首页 › 激活函数的作用是给神经网络加入一些 › 线性与非线性激活函数的作用（以一个2层的神经网络为例） |
线性与非线性激活函数的作用（以一个2层的神经网络为例）
|
想起来之前做过的一个吴恩达sir的课后作业，复习了一遍加强理解。 按照前人的经验通常把sigmoid()只用在最后一层上，所以前面的那一层就用relu()。sigmoid层结束其实就算是出结果了
1.导包/库 import numpy as np import matplotlib.pyplot as plt from testCases import * import sklearn import sklearn.datasets import sklearn.linear_model from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets %matplotlib inline2.加载数据 这里用的是网上给的一个方法，正好是一个花的形状，真忘了叫什么花了，之前在花书上看到过，不过没在手边，我查了一下也没查到，算是一个比较经典的比较线性和非线性模型的数据集。 def load_planar_dataset(): np.random.seed(1) m = 400 # number of examples N = int(m/2) # number of points per class D = 2 # dimensionality X = np.zeros((m,D)) # data matrix where each row is a single example Y = np.zeros((m,1), dtype='uint8') # labels vector (0 for red, 1 for blue) a = 4 # maximum ray of the flower for j in range(2): ix = range(N*j,N*(j+1)) t = np.linspace(j*3.12,(j+1)*3.12,N) + np.random.randn(N)*0.2 # theta r = a*np.sin(4*t) + np.random.randn(N)*0.2 # radius X[ix] = np.c_[r*np.sin(t), r*np.cos(t)] Y[ix] = j X = X.T Y = Y.T return X, Y X, Y = load_planar_dataset()运行下面的代码可以看到花长什么样 plt.scatter(X[0, :], X[1, :], c=Y[0, :], s=40, cmap=plt.cm.Spectral);3.先看看线性模型训练出来会是什么样的 clf = sklearn.linear_model.LogisticRegressionCV() clf.fit(X.T, Y[0, :].T) def plot_decision_boundary(model, X, y): # Set min and max values and give it some padding x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1 h = 0.01 # Generate a grid of points with distance h between them xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # Predict the function value for the whole grid Z = model(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # Plot the contour and training examples plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.ylabel('x2') plt.xlabel('x1') plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) plot_decision_boundary(lambda x: clf.predict(x), X, Y[0, :]) plt.title("Logistic Regression")可以到的这么一个笨蛋结果，不需要思考就知道这个结果肯定是笨的不谈，接下来手把手再实现一个线性模型。
4.先定义一下要用的模型，主要是每个层的节点数。（不得不说吴恩达sir教我写代码真是可以说是手把手了） def layer_sizes(X, Y): """ Returns: n_x -- the size of the input layer n_h -- the size of the hidden layer n_y -- the size of the output layer """ n_x=X.shape[0] #X：（2，400） n_y=Y.shape[0] #Y：（1，400） n_h=4 #relu层节点数 return (n_x, n_h, n_y)5.定义初始化参数（也就是W和b）的方法 def initialize_parameters(n_x, n_h, n_y): """ Returns: params -- python dictionary containing your parameters: W1 -- weight matrix of shape (n_h, n_x) b1 -- bias vector of shape (n_h, 1) W2 -- weight matrix of shape (n_y, n_h) b2 -- bias vector of shape (n_y, 1) """ np.random.seed(2) #加不加都行，这是吴恩达sir用来对答案的 W1=np.random.randn(n_h,n_x)*0.01 b1=np.zeros((n_h, 1)) W2=np.random.randn(n_y, n_h) * 0.01 b2=np.zeros((n_y, 1)) #主要是用来check形状对不对的 assert (W1.shape == (n_h, n_x)) assert (b1.shape == (n_h, 1)) assert (W2.shape == (n_y, n_h)) assert (b2.shape == (n_y, 1)) parameters = {"W1": W1, "b1": b1, "W2": W2, "b2": b2} return parameters6.定义喜闻乐见的前向传播 def forward_propagation(X, parameters): """ Returns: A2 -- The sigmoid output of the second activation cache -- a dictionary containing "Z1", "A1", "Z2" and "A2" """ #接收之前初始化的参数 W1=parameters["W1"] b1=parameters["b1"] W2=parameters["W2"] b2=parameters["b2"] #一步步实现前向传播 Z1=np.dot(W1,X)+b1 A1=np.tanh(Z1) Z2=np.dot(W2,A1)+b2 #sigmoid需要自己再写一次！ #A2=sigmoid(Z2) A2=1/(1+np.exp(Z2)) assert(A2.shape == (1, X.shape[1])) cache = {"Z1": Z1, "A1": A1, "Z2": Z2, "A2": A2} return A2, cache7.定义计算损失方法，这里用的是交叉熵，衡量模型好坏的标准 def compute_cost(A2, Y, parameters): """ Returns: cost -- cross-entropy cost given equation (13) """ m = Y.shape[1] #计算交叉熵 logprobs=np.multiply(np.log(A2),Y) cost=-np.sum(logprobs+(1-Y)*np.log(1-A2))/m cost = np.squeeze(cost) assert(isinstance(cost, float)) return cost8.定义令人头秃的反向传播 def backward_propagation(parameters, cache, X, Y): """ Returns: grads -- python dictionary containing your gradients with respect to different parameters """ m = X.shape[1] W1=parameters["W1"] W2=parameters["W2"] #从上面接收前向传播的结果 A1=cache["A1"] A2=cache["A2"] #反向传播的导数公式，算吐了，第一次还弄不清哪里用dot哪里multiply dZ2=A2-Y dW2=np.dot(dZ2,A1.T)/m db2=np.sum(dZ2,axis=1,keepdims=True) / m dZ1=np.multiply(W2.T*dZ2,(1-np.power(A1,2))) dW1=np.dot(dZ1,X.T)/m db1=np.sum(dZ1,axis=1,keepdims=True)/m grads = {"dW1": dW1, "db1": db1, "dW2": dW2, "db2": db2} return grads9.定义更新参数的方法 def update_parameters(parameters, grads, learning_rate = 1.2): """ Returns: parameters -- python dictionary containing your updated parameters """ W1=parameters["W1"] b1=parameters["b1"] W2=parameters["W2"] b2=parameters["b2"] #接收上面算出来的导数 dW1=grads["dW1"] db1=grads["db1"] dW2=grads["dW2"] db2=grads["db2"] #漂亮地直接减 W1-=learning_rate*dW1 b1-=learning_rate*db1 W2-=learning_rate*dW2 b2-=learning_rate*db2 parameters = {"W1": W1, "b1": b1, "W2": W2, "b2": b2} return parameters10.定义预测方法，思路就是直接用跑出来的模型带入测试 def predict(parameters, X): """ Returns predictions -- vector of predictions of our model (red: 0 / blue: 1) """ A2,cache=forward_propagation(X,parameters) predictions=np.round(A2) return predictions11.定义整个模型 def nn_model(X, Y, n_h, num_iterations = 10000, print_cost=False): """ Returns: parameters -- parameters learnt by the model. They can then be used to predict. """ np.random.seed(3) n_x = layer_sizes(X, Y)[0] n_y = layer_sizes(X, Y)[2] parameters=initialize_parameters(n_x,n_h,n_y) W1=parameters["W1"] W2=parameters["W2"] b1=parameters["b1"] b2=parameters["b2"] for i in range(0, num_iterations): A2,cache=forward_propagation(X,parameters) cost=compute_cost(A2,Y,parameters) grads=backward_propagation(parameters,cache,X,Y) parameters=update_parameters(parameters, grads) if print_cost and i % 1000 == 0: #每一千次打印一下目前的cost print ("Cost after iteration %i: %f" %(i, cost)) return parameters11.完事！开始跑模型，把结果得到的决策边界画出来 parameters = nn_model(X, Y, n_h = 4, num_iterations = 10000, print_cost=True) # Plot the decision boundary plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y[0, :]) plt.title("Decision Boundary for hidden layer size " + str(4))predictions = predict(parameters, X) print ('Accuracy: %d' % float((np.dot(Y,predictions.T) + np.dot(1-Y,1-predictions.T))/float(Y.size)*100) + '%') 结束了得到下面这个图，和准确率90% ，雀食蟀，我只能说是雀食蟀
12.一个更进一步的对不同深度的网络的对比 plt.figure(figsize=(16, 32)) hidden_layer_sizes = [1, 2, 3, 4, 5, 10, 20] for i, n_h in enumerate(hidden_layer_sizes): plt.subplot(5, 2, i+1) plt.title('Hidden Layer of size %d' % n_h) parameters = nn_model(X, Y, n_h, num_iterations = 5000) plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y[0, :]) predictions = predict(parameters, X) accuracy = float((np.dot(Y,predictions.T) + np.dot(1-Y,1-predictions.T))/float(Y.size)*100) print ("Accuracy for {} hidden units: {} %".format(n_h, accuracy))分别用的1层、2层到20层来展示跑出来的结果，得到的准确率分别为
可以看出来：1.良好的分类结果并不是由线性模型简单增加层数就可以得到的； 2.较大的模型（具有更多隐藏单元）能够更好地拟合训练集； 3.最佳隐藏层大小似乎在n_h=5左右。事实上，这个值似乎与数据吻合得很好，也不会引起明显的过度拟合。 4.更深层的神经网络不一定能有更好的结果，因为有可能会带来过拟合的问题，所以后面我们需要加入正则化来避免这个问题，但正则化也会带来精度下降（方差减小而误差增大）的问题。
完结撒花~
|
【本文地址】
今日新闻 |
推荐新闻 |