优达学城-深度学习笔记(一)
优达学城-深度学习笔记(一)
标签: 机器学习
- 优达学城-深度学习笔记一
- 一 神经网络简介
- 最大似然概率
- 交叉熵Cross entropy
- 1交叉熵代码实现
- 2多类别交叉熵
- 对数几率回归的误差函数cost function
- 梯度下降代码
- 神经网络
- 2 反向传播
- 二梯度下降的神经网络
- 梯度下降代码实现
- 反向传播示例
- 反向传播代码实现
- 三训练神经网络
- 正则化
- dropout
- Keras 中的其他激活函数
- Keras 中的随机梯度下降
- 随机重新开始
- 动量解决局部最优解
- ROC 曲线
- 一 神经网络简介
一. 神经网络简介
1.最大似然概率
将可能分类正确的概率相乘,将全部分类正确的概率做比较,最大的即为最优的
2.交叉熵(Cross entropy)
由于很多数相乘值会非常小,于是采用-ln进行相加,更小的交叉熵更优
2.1交叉熵代码实现
def cross_entropy(Y, P):Y=np.float_(Y)P=np.float_(P)ans=-np.sum(Y*np.log(P)+(1-Y)*np.log(1-P))return ans
2.2多类别交叉熵
Cross-Entropy=-\sum^n_{i=1}\sum^m_{j=1}y_{ij}ln(P_{ij})
3.对数几率回归的误差函数(cost function)
Cost function=- \frac{1}{m}\sum^n_{i=1}\sum^m_{j=1}y_{ij}ln(P_{ij})
goal:最小化误差函数
4.梯度下降代码
随机初始化一个权重
w1...,wn,b w_1...,w_n,b对于每一个分类点( x1,...xn x_1,...x_n)
2.1 For i=1…n
2.1.1. 更新 wi=wi−α(y−y′)xi w_i=w_i-\alpha(y-y^{'})x_i
2.1.2 更新 b=b−α(y−y′) b=b-\alpha(y-y^{'})- 重复步骤2直到误差最小
# Implement the following functions
# Activation (sigmoid) function
def sigmoid(x):return 1/(1+np.exp(-x))# Output (prediction) formula
def output_formula(features, weights, bias):return sigmoid(np.dot(features, weights) + bias)# Error (log-loss) formula
def error_formula(y, output):return - y*np.log(output) - (1 - y) * np.log(1-output)# Gradient descent step
def update_weights(x, y, weights, bias, learnrate):output = output_formula(x, weights, bias)d_error = -(y - output)weights -= learnrate * d_error * xbias -= learnrate * d_errorreturn weights, bias
5.神经网络
当存在非线性数据时,例如需要用曲线进行划分,则用神经网络
5.1 前向传播
5.2 反向传播
反向传播包括:
2.1 进行前向反馈运算。
2.2 将模型的输出与期望的输出进行比较。
2.3 计算误差。
2.4 向后运行前向反馈运算(反向传播),将误差分散到每个权重上。
2.5 更新权重,并获得更好的模型。
2.6 继续此流程,直到获得很好的模型。
二.梯度下降的神经网络
1.梯度下降代码实现
# Defining the sigmoid function for activations
# 定义 sigmoid 激活函数
def sigmoid(x):return 1/(1+np.exp(-x))# Derivative of the sigmoid function
# 激活函数的导数
def sigmoid_prime(x):return sigmoid(x) * (1 - sigmoid(x))# Input data
# 输入数据
x = np.array([0.1, 0.3])
# Target
# 目标
y = 0.2
# Input to output weights
# 输入到输出的权重
weights = np.array([-0.8, 0.5])# The learning rate, eta in the weight step equation
# 权重更新的学习率
learnrate = 0.5# the linear combination performed by the node (h in f(h) and f'(h))
# 输入和权重的线性组合
h = x[0]*weights[0] + x[1]*weights[1]
# or h = np.dot(x, weights)# The neural network output (y-hat)
# 神经网络输出
nn_output = sigmoid(h)# output error (y - y-hat)
# 输出误差
error = y - nn_output# output gradient (f'(h))
# 输出梯度
output_grad = sigmoid_prime(h)# error term (lowercase delta)
error_term = error * output_grad# Gradient descent step
# 梯度下降一步
del_w = [ learnrate * error_term * x[0],learnrate * error_term * x[1]]
# or del_w = learnrate * error_term * x
2.反向传播示例
先使用正向传播计算输入层到隐藏层节点:
h=∑iwixi=0.1∗0.4−0.2∗0.3=−0.02 h=\sum_iw_ix_i=0.1*0.4-0.2*0.3=-0.02计算隐藏节点的输出
a=f(h)=sigmoid(−0.02)=0.495 a=f(h)=sigmoid(-0.02)=0.495将其作为输出节点的输入,该神经网络的输出可表示为
y^=f(W∗a)=sigmoid(0.1∗0.495)=0.512 \hat{y}=f(W*a)=sigmoid(0.1*0.495)=0.512根据神经网络的输出,用反向传播更新各层的权重,sigmoid函数的倒数为 f′(W∗a)=f(W∗a)(1−f(W∗a)) f'(W*a)=f(W*a)(1-f(W*a)),输出节点的误差项可表示为
δo=(y−y^)f′(W∗a)=(1−0.512)∗0.512∗(1−0.512)=0.122 δ^o=(y-\hat{y})f'(W*a)=(1-0.512)*0.512*(1-0.512)=0.122计算隐藏节点的误差项
δhj=∑kWjkδokf′(hj) δ_j^h=\sum_kW_{jk}δ^o_kf'(h_j)
因为只有一个隐藏节点
δh=Wδof′(h)=0.1∗0.122∗0.495∗(1−0.495)=0.003 δ^h=Wδ^of'(h)=0.1*0.122*0.495*(1-0.495)=0.003计算梯度下降步长了。隐藏层-输出层权重更新步长是学习速率乘以输出节点误差再乘以隐藏节点激活值。
ΔW=αδoa=0.5∗0.122∗0.495=0.0302 ΔW=\alphaδ^oa=0.5*0.122*0.495=0.0302输入-隐藏层权重 wi w_i是学习速率乘以隐藏节点误差再乘以输入值。
Δwi=αδhxi=(0.5∗0.003∗0.1,0.5∗0.003∗0.3)=(0.00015,0.00045) Δw_i=\alphaδ^hx_i=(0.5*0.003*0.1,0.5*0.003*0.3)=(0.00015,0.00045)
3.反向传播代码实现
import numpy as np
from data_prep import features, targets, features_test, targets_testnp.random.seed(21)def sigmoid(x):"""Calculate sigmoid"""return 1 / (1 + np.exp(-x))# Hyperparameters
n_hidden = 2 # number of hidden units
epochs = 900
learnrate = 0.005n_records, n_features = features.shape
last_loss = None
# Initialize weights
weights_input_hidden = np.random.normal(scale=1 / n_features ** .5,size=(n_features, n_hidden))
weights_hidden_output = np.random.normal(scale=1 / n_features ** .5,size=n_hidden)for e in range(epochs):del_w_input_hidden = np.zeros(weights_input_hidden.shape)del_w_hidden_output = np.zeros(weights_hidden_output.shape)for x, y in zip(features.values, targets):## Forward pass ### TODO: Calculate the outputhidden_input = np.dot(x, weights_input_hidden)hidden_output = sigmoid(hidden_input)output = sigmoid(np.dot(hidden_output,weights_hidden_output))## Backward pass ### TODO: Calculate the network's prediction errorerror = y - output# TODO: Calculate error term for the output unitoutput_error_term = error * output * (1 - output)## propagate errors to hidden layer# TODO: Calculate the hidden layer's contribution to the errorhidden_error = np.dot(output_error_term, weights_hidden_output)# TODO: Calculate the error term for the hidden layerhidden_error_term = hidden_error * hidden_output * (1 - hidden_output)# TODO: Update the change in weightsdel_w_hidden_output += output_error_term * hidden_outputdel_w_input_hidden += hidden_error_term * x[:, None]# TODO: Update weightsweights_input_hidden += learnrate * del_w_input_hidden / n_recordsweights_hidden_output += learnrate * del_w_hidden_output / n_records# Printing out the mean square error on the training setif e % (epochs / 10) == 0:hidden_output = sigmoid(np.dot(x, weights_input_hidden))out = sigmoid(np.dot(hidden_output,weights_hidden_output))loss = np.mean((out - targets) ** 2)if last_loss and last_loss < loss:print("Train loss: ", loss, " WARNING - Loss Increasing")else:print("Train loss: ", loss)last_loss = loss# Calculate accuracy on test data
hidden = sigmoid(np.dot(features_test, weights_input_hidden))
out = sigmoid(np.dot(hidden, weights_hidden_output))
predictions = out > 0.5
accuracy = np.mean(predictions == targets_test)
print("Prediction accuracy: {:.3f}".format(accuracy))
三.训练神经网络
1.正则化
1.倾向于获得稀疏向量
J=-\frac{1}{m}\sum^m_{i=1}(1-y_i)(1-ln(\hat{y}))+y_iln(\hat{y})+\lambda(|\theta_1)|+...+|\theta_n|)
2.倾向于获得低权重向量
J=-\frac{1}{m}\sum^m_{i=1}(1-y_i)(1-ln(\hat{y}))+y_iln(\hat{y})+\lambda(\theta_1^2+...+\theta_n^2)
2.dropout
在训练神经网络时为了确保每一个节点都能被很好的训练,会随机关闭一些节点,关闭概率可以设置为20%
3.Keras 中的其他激活函数
更改激活函数很简单。到目前为止,我们一直在使用 s 型函数(如果有多个类别,则使用 softmax
,例如我们对输出进行一位热码编码时),并按以下方式添加到层级中:
model.add(Activation('sigmoid'))
或
model.add(Activation('softmax'))
如果我们要使用 relu
或 tanh
,则直接将层级名称指定为 relu
或 tanh
:
model.add(Activation('relu'))
model.add(Activation('tanh'))
4.Keras 中的随机梯度下降
在 Keras 中很容易实现随机梯度下降。我们只需按以下命令在训练流程中指定批次大小:
model.fit(X_train, y_train, epochs=1000, batch_size=100, verbose=0)
这里,我们将数据分成 100 批。
5.随机重新开始
为了防止进入局部最优解,多次随机重新找起始点以解决局部最优问题
6.动量解决局部最优解
同样局部最优的问题,可以用动量的方法来改变学习速率
step(n)=step(n)+\beta step(n-1)+\beta^2 step(n-2)+...
这样就可能会越过局部最优解
7.ROC 曲线
优达学城-深度学习笔记(一)相关推荐
- 优达学城 深度学习 任务1
这几天刚好有环境,打算学习一下深度学习 看了一圈介绍,发现优达学城的深度学习课程作为入门课程还是不错的 今天看了第一章节的视频,顺便做了任务1 任务1难度不大,按照网站上的说明可以完成下载.打包等工作 ...
- 优达学城 深度学习 任务2
不得不说优达学城的课程作为入门还真是不错,打算明年买一个纳米课程试一下. 说明 任务2可以说是真正开始进入深度学习的领域 还是用任务1处理好的数据集 任务分为3个阶段 梯度下降算法(线性分类器) 批随 ...
- 优达学城深度学习之三(上)——卷积神经网络
学习如何用神经网络来解决分类问题. 开始都会说什么是机器学习?机器学习的应用是什么?用机器在海量数据中学习得到可以解决一类问题的办法,这就是我的理解.图像处理.文本处理.无人驾驶.等,深度学习最热门的 ...
- 优达学城深度学习之六——TensorFlow卷积神经网络
TensorFlow卷积层 TensorFlow 提供了 tf.nn.conv2d() 和 tf.nn.bias_add() 函数来创建你自己的卷积层. # Output depth k_output ...
- 优达学城深度学习之七——TensorFlow卷积神经网络
一.胶囊网络 池化运算会丢失一些图像信息.这是因为为了获得更小的特征级图像表示,池化会丢弃像素信息.与池化层相比,有一些分类方法不会丢弃空间信息,而是学习各个部分之间的关系(例如眼睛.鼻子和嘴之间的空 ...
- 优达学城深度学习(之四)——jupyter notebook
Jupyter notebook 是什么? 欢迎学习本课程--如何使用 Jupyter notebook.Jupyter notebook 是一种 Web 应用,能让用户将说明文本.数学方程.代码和可 ...
- 优达学城深度学习之五——卷积神经网络
梯度下降算法推导与实现 import matplotlib.pyplot as plt import numpy as np import pandas as pd#Some helper funct ...
- 优达学城深度学习之三(下)——卷积神经网络
一.One-Hot编码 计算机在表示多结果的分类时,使用One-Hot编码是比较常见的处理方式.即每个对象都有对应的列. 二.最大似然率 下面是两幅图像,比较两幅图像,试通过概率的方法来讨论一下为什么 ...
- 优达学城深度学习之二——矩阵数学和Numpy复习
一.数据维度 维度(scalar),张量(Tensor).3表示零维张量,[1 2 3]表示一维张量,矩阵表示二维张量,任何大于二维张量就叫张量(Tensor).如下图所示: 二.Numpy简介 2. ...
最新文章
- 在求向量组的极大线性无关组时,为什么要将向量竖着放,然后对所构成的矩阵进行初等行变换?转
- 静态路由协议的默认管理距离是_距离矢量路由选择协议
- 关于内存管理/set/get方法
- SpringMVC的请求-获得请求参数-请求参数类型
- 通过 Go 语言来实现 DDD 分层设计,美滋滋!
- 延长汽车寿命的6个良好习惯
- 诗与远方:无题(二十五)
- python编译出来的程序员_Windows下编译Python2.7源码
- ssis 列转换_SSIS组播转换概述
- WinServer2008R2搭建和授权DHCP服务器详解
- 转载:vc6.0 打开文件的时候出现Microsoft Visual C++:MSDEV.EXE 应用程序错误
- 河南省2019计算机专业试题,2019年河南省对口计算机专业试卷
- DOS窗口查找电脑端口占用情况
- gflags 调试内存_windows下堆异常调试神器--gflags
- 人力资源管理系统概要设计说明书
- 数据库容灾技术之--数据容灾技术比较
- 市场营销问题 (二):产品属性的效用函数
- 郑州大学计算机系1996级校友,公共管理学院成功举办96级公共关系专业学生毕业20周年返校活动...
- SAP CRM BOL entity deletion - root node and sub node
- 验证码研究入门必读(验证码是什么,有什么用,分类,设计,破解,未来发展)
热门文章
- 天天酷跑神兽年年怎么搭配比较好 怎么得高分
- 怎么把背景图片变透明html,怎样把图片背景变成透明
- 苹果电脑python编程里面怎么切到中文_电脑语言怎么切换中文,AdobeInDesignCCforMac苹果笔记本上,怎样转换页面语言为中文英语?...
- 第一款能运行Android11 的RK3399开发板 tinkerboard2
- 5 款适用于 Linux 的笔记应用
- python else和elif_Python else与elif语句语法讲解
- Google | GCP HTTP负载均衡
- python正则表达式匹配字符串相关方法
- zipline量化平台----本地化(上)
- zookeeper实现服务注册与发现