189 8069 5689
python怎样搭建多层神经网络？这个问题可能是我们日常工作经常见到的。通过这个问题，希望你能收获更多。下面是解决这个问题的步骤内容。
让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名申请、雅安服务器托管、营销软件、网站建设、雨花台网站维护、网站推广。
模型的搭建按照自己的想法设计，源码共7个.py文件，如下图：
按照创建先后顺序，分别是：data.py，layer.py，network.py，activation.py，loss.py，train.py，evaluate.py。data.py用于获取数据并对数据进行预处理，layer.py创建了一个Layer类，用来表示第L层，network.py抽象了一个网络类，将传入的若干层通过计算输入输出连接起来，组成一个网络，data.py用来读取数据，loss.py明确了交叉熵损失函数和其导数，activation.py分别写了激活函数relu和sigmoid以及其导函数，train.py创建了层次并组成网络，然后对数据进行训练并保存模型，最后evaluate.py用于对测试集进行测试。
网络分为2大块，正向传播和反向传播：
但是不管是正向还是反向，网络中的每一层都可以抽象出来，因此创建一个layer类：
正向传播的L层：
反向传播的L层：
在写代码之前，最重要的是确定每个变量和参数的维度：
正向传播：
注意：n[L]表示当前层(即第L层)中的神经元个数，n[L-1]表示前一层(即L-1层)的神经元个数，例如在本次程序中，n[0]=12288，n[1]=1000，n[2]=500，n[3]=1
反向传播：
1. data.py
# coding: utf-8
# 2019/7/20 18:59
import h6py
import numpy as np
def get_train():
f = h6py.File('dataset/train_catvnoncat.h6','r')
x_train = np.array(f['train_set_x'])#训练集数据 将数据转化为np.array
y_train = np.array(f['train_set_y'])#训练集标签
return x_train,y_train
def get_test():
f = h6py.File('dataset/test_catvnoncat.h6', 'r')
x_test = np.array(f['test_set_x'])#测试集数据 将数据转化为np.array
y_test = np.array(f['test_set_y'])#测试集标签
return x_test,y_test
def preprocess(X):
#将X标准化，从0-255变成0-1
# X =X / 255
#将数据从(m,64,64,3)变成(m,12288)
X = X.reshape([X.shape[0], X.shape[1]*X.shape[2]*X.shape[3]]).T
return X
if __name__ == '__main__':
x1,y1 = get_train()
x2,y2 = get_test()
print(x1.shape,y1.shape)
print(x2.shape,y2.shape)
from matplotlib import pyplot as plt
plt.figure()
for i in range(1,16):
plt.subplot(3,5,i)
plt.imshow(x1[i])
print(y1[i])
plt.show()
2. layer.py
# coding: utf-8
# 2019/7/21 9:22
import numpy as np
class Layer:
def __init__(self,nL,nL_1,activ,activ_deri, learning_rate):
#参数分别表示：当前层神经元个数，前一层神经元个数，激活函数，激活函数的导函数，学习率
self.nL = nL
self.nL_1 = nL_1
self.g = activ
self.g_d = activ_deri
self.alpha = learning_rate
self.W = np.random.randn(nL,nL_1)*0.01
self.b = np.random.randn(nL,1)*0.01
#正向传播：
#1、计算Z=WX+b
#2、计算A=g(Z)
def forward(self,AL_1):
self.AL_1 = AL_1
assert (AL_1.shape[0] == self.nL_1)
self.Z = np.dot(self.W,AL_1)+self.b
assert (self.Z.shape[0] == self.nL)
AL = self.g(self.Z)
return AL
#反向传播：
#1、m表示样本个数
#2、计算dZ，dW，db，dAL_1
#3、梯度下降，更新W和b
def backward(self,dAL):
assert (dAL.shape[0] == self.nL)
m = dAL.shape[1]
dZ = np.multiply(dAL,self.g_d(self.Z))
assert (dZ.shape[0] == self.nL)
dW = np.dot(dZ,self.AL_1.T)/m
assert (dW.shape == (self.nL,self.nL_1))
db = np.mean(dZ,axis=1,keepdims=True)
assert (db.shape == (self.nL,1))
dAL_1 = np.dot(self.W.T,dZ)
assert (dAL_1.shape[0] == self.nL_1)
#梯度下降
self.W -= self.alpha*dW
self.b -= self.alpha*db
return dAL_1
3. network.py
# coding: utf-8
# 2019/7/21 10:45
import numpy as np
class Network:
def __init__(self,layers,loss,loss_der):
self.layers = layers
self.loss = loss
self.loss_der = loss_der
#根据输入的数据来调用正向传播函数，不断更新A，最后得到预测结果
def predict(self,X):
A = X
for layer in self.layers:
A = layer.forward(A)
return A
#连接每个层组建网络：
#1、根据输入的数据进行正向传播，得到预测结果Y_predict
#2、根据Y_predict和真实值Y，通过损失函数来计算成本值J
#3、根据J来计算反向传播的输入值dA
#4、调用反向传播函数来更新dA
def train(self,X,Y,epochs=10):
for i in range(epochs):
Y_predict = self.predict(X)
J = np.mean(self.loss(Y, Y_predict))
print('epoch %d:loss=%f'%(i,J))
dA = self.loss_der(Y,Y_predict)
for layer in reversed(self.layers):
#更新dA
dA= layer.backward(dA)
4. loss.py
# coding: utf-8
# 2019/7/21 11:34
import numpy as np
#交叉熵损失函数
def cross_entropy(y, y_predict):
y_predict = np.clip(y_predict,1e-10,1-1e-10) #防止0*log(0)出现。导致计算结果变为NaN
return -(y * np.log(y_predict) + (1 - y) * np.log(1 - y_predict))
#交叉熵损失函数的导函数
def cross_entropy_der(y,y_predict):
return -y/y_predict+(1-y)/(1-y_predict)
5. activation.py
# coding: utf-8
# 2019/7/21 9:49
import numpy as np
def sigmoid(z):
return 1 / (1 + np.exp(-z))
#sigmoid导函数
def sigmoid_der(z):
x = np.exp(-z)
return x/((1+x)**2)
def relu(z):无锡妇科医院 http://www.xasgyy.net/
return np.maximum(0,z)
#relu导函数
def relu_der(z):
return (z>=0).astype(np.float64)
6. train.py
# coding: utf-8
# 2019/7/21 12:13
import data,layer,loss,network,activation
import pickle,time
#对数据集进行训练并保存模型
#1、搭建3层网络层
#2、将3个层组建成网络
#3、获取训练集数据
#4、对输入值X进行预处理
#5、将数据输入网络进行训练，epochs为1000
#6、将整个模型保存
if __name__ == '__main__':
learning_rate = 0.01
L1 = layer.Layer(1000,64*64*3, activation.relu, activation.relu_der, learning_rate)
L2 = layer.Layer(500,1000,activation.relu, activation.relu_der, learning_rate)
L3 = layer.Layer(1,500, activation.sigmoid, activation.sigmoid_der, learning_rate)
net = network.Network([L1,L2,L3], loss.cross_entropy, loss.cross_entropy_der)
X,Y = data.get_train()
X = data.preprocess(X)
net.train(X,Y,1000)
with open('models/model_%s.pickle'%(time.asctime().replace(':','_').replace(' ','-')),'wb') as f:
pickle.dump(net,f)
7. evaluate.py
# coding: utf-8
# 2019/7/21 14:17
import data
import pickle
import numpy as np
if __name__ == '__main__':
model_name = 'model_Sun-Jul-21-14_41_42-2019.pickle'
#导入模型
with open('models/'+model_name,'rb') as f:
net = pickle.load(f)
#获取测试数据集
X,Y = data.get_test()
X = data.preprocess(X)
#根据输入数据X进行预测
Y_predict = net.predict(X)
Y_pred_float = (Y_predict>0.5).astype(np.float64)
#计算精确度
accuracy = np.sum(np.equal(Y_pred_float,Y).astype(np.int))/Y.shape[0]
print('accuracy:',accuracy)
结果
看完上诉内容，你们对python搭建多层神经网络大概了解了吗？如果想了解更多相关文章内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！