没有合适的资源?快使用搜索试试~ 我知道了~
韩炳涛先生的文章,整理在一起,耗费了一点点时间,合成一个文档供大家学习。
资源推荐
资源详情
资源评论
[关闭]
@hanbingtao 2017-08-28 19:35 字数 5679 阅读 240109
零基础入门深度学习(1) - 感知器
机器学习 深度学习入门
无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,
作为一个有理想有追求的程序员,不懂深度学习(Deep Learning)这个超热的技术,会不会感觉马上就out
了?现在救命稻草来了,《零基础入门深度学习》系列文章旨在讲帮助爱编程的你从零基础达到入门级水
平。零基础意味着你不需要太多的数学知识,只要会写程序就行了,没错,这是专门为程序员写的文章。虽
然文中会有很多公式你也许看不懂,但同时也会有更多的代码,程序员的你一定能看懂的(我周围是一群狂
热的Clean Code程序员,所以我写的代码也不会很差)。
文章列表
零基础入门深度学习(1) - 感知器
零基础入门深度学习(2) - 线性单元和梯度下降
零基础入门深度学习(3) - 神经网络和反向传播算法
零基础入门深度学习(4) - 卷积神经网络
零基础入门深度学习(5) - 循环神经网络
零基础入门深度学习(6) - 长短时记忆网络(LSTM)
零基础入门深度学习(7) - 递归神经网络
深度学习是啥
在人工智能领域,有一个方法叫机器学习。在机器学习这个方法里,有一类算法叫神经网络。神经网络如下图所示:
上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接。我们可以看到,上面的神经元被分成了多层,层与层
之间的神经元有连接,而层内之间的神经元没有连接。最左边的层叫做输入层,这层负责接收输入数据;最右边的层叫
输出层,我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。
隐藏层比较多(大于2)的神经网络叫做深度神经网络。而深度学习,就是使用深层架构(比如,深度神经网络)的机
器学习方法。
那么深层网络和浅层网络相比有什么优势呢?简单来说深层网络能够表达力更强。事实上,一个仅有一个隐藏层的神经
网络就能拟合任何一个函数,但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就
是为了拟合一个函数,要么使用一个浅而宽的网络,要么使用一个深而窄的网络。而后者往往更节约资源。
深层网络也有劣势,就是它不太容易训练。简单的说,你需要大量的数据,很多的技巧才能训练好一个深层网络。这是
个手艺活。
感知器
看到这里,如果你还是一头雾水,那也是很正常的。为了理解神经网络,我们应该先理解神经网络的组成单元——神经
元。神经元也叫做感知器。感知器算法在上个世纪50-70年代很流行,也成功解决了很多问题。并且,感知器算法也是非
常简单的。
感知器的定义
下图是一个感知器:
可以看到,一个感知器有如下组成部分:
• 输入权值 一个感知器可以接收多个输入 ,每个输入上有一个权值 ,此外还有一个
偏置项 ,就是上图中的 。
• 激活函数 感知器的激活函数可以有很多选择,比如我们可以选择下面这个阶跃函数 来作为激活函数:
• 输出 感知器的输出由下面这个公式来计算
如果看完上面的公式一下子就晕了,不要紧,我们用一个简单的例子来帮助理解。
公式
例子:用感知器实现and函数
我们设计一个感知器,让它来实现and运算。程序员都知道,and是一个二元函数(带有两个参数 和 ),下面是它
的真值表:
0 0 0
0 1 0
1 0 0
1 1 1
为了计算方便,我们用0表示false,用1表示true。这没什么难理解的,对于C语言程序员来说,这是天经地义的。
我们令 ,而激活函数 就是前面写出来的阶跃函数,这时,感知器就相当于and函数。不明
白?我们验算一下:
输入上面真值表的第一行,即 ,那么根据公式(1),计算输出:
也就是当 都为0的时候, 为0,这就是真值表的第一行。读者可以自行验证上述真值表的第二、三、四行。
例子:用感知器实现or函数
同样,我们也可以用感知器来实现or运算。仅仅需要把偏置项 的值设置为-0.3就可以了。我们验算一下,下面是or运算
的真值表:
0 0 0
0 1 1
1 0 1
1 1 1
我们来验算第二行,这时的输入是 ,带入公式(1):
也就是当 时, 为1,即or真值表第二行。读者可以自行验证其它行。
感知器还能做什么
事实上,感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数,任何线性分类或线性回归问题都可以用感
知器来解决。前面的布尔运算可以看作是二分类问题,即给定一个输入,输出0(属于分类0)或1(属于分类1)。如下
面所示,and运算是一个线性分类问题,即可以用一条直线把分类0(false,红叉表示)和分类1(true,绿点表示)分
开。
然而,感知器却不能实现异或运算,如下图所示,异或运算不是线性的,你无法用一条直线把分类0和分类1分开。
感知器的训练
现在,你可能困惑前面的权重项和偏置项的值是如何获得的呢?这就要用到感知器训练算法:将权重项和偏置项初始化
为0,然后,利用下面的感知器规则迭代的修改 和 ,直到训练完成。
其中:
是与输入 对应的权重项, 是偏置项。事实上,可以把 看作是值永远为1的输入 所对应的权重。 是训练样本的
实际值,一般称之为label。而 是感知器的输出值,它是根据公式(1)计算得出。 是一个称为学习速率的常数,其作用
是控制每一步调整权的幅度。
每次从训练数据中取出一个样本的输入向量 ,使用感知器计算其输出 ,再根据上面的规则来调整权重。每处理一个
样本就调整一次权重。经过多轮迭代后(即全部的训练数据被反复处理多轮),就可以训练出感知器的权重,使之实现
目标函数。
编程实战:实现感知器
完整代码请参考GitHub: https://github.com/hanbt/learn_dl/blob/master/perceptron.py (python2.7)
对于程序员来说,没有什么比亲自动手实现学得更快了,而且,很多时候一行代码抵得上千言万语。接下来我们就将实
现一个感知器。
下面是一些说明:
• 使用python语言。python在机器学习领域用的很广泛,而且,写python程序真的很轻松。
• 面向对象编程。面向对象是特别好的管理复杂度的工具,应对复杂问题时,用面向对象设计方法很容易将复杂问
题拆解为多个简单问题,从而解救我们的大脑。
• 没有使用numpy。numpy实现了很多基础算法,对于实现机器学习算法来说是个必备的工具。但为了降低读者理解
的难度,下面的代码只用到了基本的python(省去您去学习numpy的时间)。
下面是感知器类的实现,非常简单。去掉注释只有27行,而且还包括为了美观(每行不超过60个字符)而增加的很多换
行。
1. class Perceptron(object):
2. def __init__(self, input_num, activator):
3. '''
4. 初始化感知器,设置输入参数的个数,以及激活函数。
5. 激活函数的类型为double -> double
6. '''
7. self.activator = activator
8. #
权重向量初始化为
0
9. self.weights = [0.0 for _ in range(input_num)]
10. #
偏置项初始化为
0
11. self.bias = 0.0
12.
13. def __str__(self):
14. '''
15. 打印学习到的权重、偏置项
16. '''
17. return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
18.
19.
20. def predict(self, input_vec):
21. '''
22. 输入向量,输出感知器的计算结果
23. '''
24. #
把
input_vec[x1,x2,x3...]
和
weights[w1,w2,w3,...]
打包在一起
25. #
变成
[(x1,w1),(x2,w2),(x3,w3),...]
26. #
然后利用
map
函数计算
[x1*w1, x2*w2, x3*w3]
27. #
最后利用
reduce
求和
28. return self.activator(
29. reduce(lambda a, b: a + b,
30. map(lambda (x, w): x * w,
31. zip(input_vec, self.weights))
32. , 0.0) + self.bias)
33.
34. def train(self, input_vecs, labels, iteration, rate):
35. '''
36. 输入训练数据:一组向量、与每个向量对应的label;以及训练轮数、学习率
37. '''
38. for i in range(iteration):
39. self._one_iteration(input_vecs, labels, rate)
40.
41. def _one_iteration(self, input_vecs, labels, rate):
42. '''
43. 一次迭代,把所有的训练数据过一遍
44. '''
45. #
把输入和输出打包在一起,成为样本的列表
[(input_vec, label), ...]
46. #
而每个训练样本是
(input_vec, label)
47. samples = zip(input_vecs, labels)
48. #
对每个样本,按照感知器规则更新权重
49. for (input_vec, label) in samples:
50. #
计算感知器在当前权重下的输出
51. output = self.predict(input_vec)
52. #
更新权重
53. self._update_weights(input_vec, output, label, rate)
54.
55. def _update_weights(self, input_vec, output, label, rate):
56. '''
57. 按照感知器规则更新权重
58. '''
59. #
把
input_vec[x1,x2,x3,...]
和
weights[w1,w2,w3,...]
打包在一起
60. #
变成
[(x1,w1),(x2,w2),(x3,w3),...]
61. #
然后利用感知器规则更新权重
62. delta = label - output
63. self.weights = map(
64. lambda (x, w): w + rate * delta * x,
65. zip(input_vec, self.weights))
66. #
更新
bias
67. self.bias += rate * delta
接下来,我们利用这个感知器类去实现and函数。
1. def f(x):
2. '''
3. 定义激活函数f
4. '''
5. return 1 if x > 0 else 0
6.
7.
剩余105页未读,继续阅读
资源评论
gaoleikidkidkid
- 粉丝: 38
- 资源: 4
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功