本文主要讲如何不依赖TenserFlow等高级API实现一个简单的神经网络来做分类,所有的代码都在下面;在构造的数据(通过程序构造)上做了验证,经过1个小时的训练分类的准确率可以达到97%。
完整的结构化代码见于:链接地址
先来说说原理
网络构造
上面是一个简单的三层网络;输入层包含节点X1 , X2;隐层包含H1,H2;输出层包含O1。
输入节点的数量要等于输入数据的变量数目。
隐层节点的数量通过经验来确定。
如果只是做分类,输出层一般一个节点就够了。
从输入到输出的过程
1.输入节点的输出等于输入,X1节点输入x1时,输出还是x1.
2. 隐层和输出层的输入I为上层输出的加权求和再加偏置,输出为f(I) , f为激活函数,可以取sigmoid。H1的输出为 sigmoid(w1x1 + w2x2 + b)
误差反向传播的过程
Python实现
构造测试数据
# -*- coding: utf-8 -*- import numpy as np from random import random as rdn ''' 说明:我们构造1000条数据,每条数据有三个属性(用a1 , a2 , a3表示) a1 离散型 取值 1 到 10 , 均匀分布 a2 离散型 取值 1 到 10 , 均匀分布 a3 连续型 取值 1 到 100 , 且符合正态分布 各属性之间独立。 共2个分类(0 , 1),属性值与类别之间的关系如下, 0 : a1 in [1 , 3] and a2 in [4 , 10] and a3 <= 50 1 : a1 in [1 , 3] and a2 in [4 , 10] and a3 > 50 0 : a1 in [1 , 3] and a2 in [1 , 3] and a3 > 30 1 : a1 in [1 , 3] and a2 in [1 , 3] and a3 <= 30 0 : a1 in [4 , 10] and a2 in [4 , 10] and a3 <= 50 1 : a1 in [4 , 10] and a2 in [4 , 10] and a3 > 50 0 : a1 in [4 , 10] and a2 in [1 , 3] and a3 > 30 1 : a1 in [4 , 10] and a2 in [1 , 3] and a3 <= 30 ''' def genData() : #为a3生成符合正态分布的数据 a3_data = np.random.randn(1000) * 30 + 50 data = [] for i in range(1000) : #生成a1 a1 = int(rdn()*10) + 1 if a1 > 10 : a1 = 10 #生成a2 a2 = int(rdn()*10) + 1 if a2 > 10 : a2 = 10 #取a3 a3 = a3_data[i] #计算这条数据对应的类别 c_id = 0 if a1 <= 3 and a2 >= 4 and a3 <= 50 : c_id = 0 elif a1 <= 3 and a2 >= 4 and a3 > 50 : c_id = 1 elif a1 <= 3 and a2 < 4 and a3 > 30 : c_id = 0 elif a1 <= 3 and a2 < 4 and a3 <= 30 : c_id = 1 elif a1 > 3 and a2 >= 4 and a3 <= 50 : c_id = 0 elif a1 > 3 and a2 >= 4 and a3 > 50 : c_id = 1 elif a1 > 3 and a2 < 4 and a3 > 30 : c_id = 0 elif a1 > 3 and a2 < 4 and a3 <= 30 : c_id = 1 else : print('error') #拼合成字串 str_line = str(i) + ',' + str(a1) + ',' + str(a2) + ',' + str(a3) + ',' + str(c_id) data.append(str_line) return '\n'.join(data)
激活函数
# -*- coding: utf-8 -*- """ Created on Sun Dec 2 14:49:31 2018 @author: congpeiqing """ import numpy as np #sigmoid函数的导数为 f(x)*(1-f(x)) def sigmoid(x) : return 1/(1 + np.exp(-x))
网络实现
# -*- coding: utf-8 -*- """ Created on Sun Dec 2 14:49:31 2018 @author: congpeiqing """ from activation_funcs import sigmoid from random import random class InputNode(object) : def __init__(self , idx) : self.idx = idx self.output = None def setInput(self , value) : self.output = value def getOutput(self) : return self.output def refreshParas(self , p1 , p2) : pass class Neurode(object) : def __init__(self , layer_name , idx , input_nodes , activation_func = None , powers = None , bias = None) : self.idx = idx self.layer_name = layer_name self.input_nodes = input_nodes if activation_func is not None : self.activation_func = activation_func else : #默认取 sigmoid self.activation_func = sigmoid if powers is not None : self.powers = powers else : self.powers = [random() for i in range(len(self.input_nodes))] if bias is not None : self.bias = bias else : self.bias = random() self.output = None def getOutput(self) : self.output = self.activation_func(sum(map(lambda x : x[0].getOutput()*x[1] , zip(self.input_nodes, self.powers))) + self.bias) return self.output def refreshParas(self , err , learn_rate) : err_add = self.output * (1 - self.output) * err for i in range(len(self.input_nodes)) : #调用子节点 self.input_nodes[i].refreshParas(self.powers[i] * err_add , learn_rate) #调节参数 power_delta = learn_rate * err_add * self.input_nodes[i].output self.powers[i] += power_delta bias_delta = learn_rate * err_add self.bias += bias_delta class SimpleBP(object) : def __init__(self , input_node_num , hidden_layer_node_num , trainning_data , test_data) : self.input_node_num = input_node_num self.input_nodes = [InputNode(i) for i in range(input_node_num)] self.hidden_layer_nodes = [Neurode('H' , i , self.input_nodes) for i in range(hidden_layer_node_num)] self.output_node = Neurode('O' , 0 , self.hidden_layer_nodes) self.trainning_data = trainning_data self.test_data = test_data #逐条训练 def trainByItem(self) : cnt = 0 while True : cnt += 1 learn_rate = 1.0/cnt sum_diff = 0.0 #对于每一条训练数据进行一次训练过程 for item in self.trainning_data : for i in range(self.input_node_num) : self.input_nodes[i].setInput(item[i]) item_output = item[-1] nn_output = self.output_node.getOutput() #print('nn_output:' , nn_output) diff = (item_output-nn_output) sum_diff += abs(diff) self.output_node.refreshParas(diff , learn_rate) #print('refreshedParas') #结束条件 print(round(sum_diff / len(self.trainning_data) , 4)) if sum_diff / len(self.trainning_data) < 0.1 : break def getAccuracy(self) : cnt = 0 for item in self.test_data : for i in range(self.input_node_num) : self.input_nodes[i].setInput(item[i]) item_output = item[-1] nn_output = self.output_node.getOutput() if (nn_output > 0.5 and item_output > 0.5) or (nn_output < 0.5 and item_output < 0.5) : cnt += 1 return cnt/(len(self.test_data) + 0.0)
主调流程
# -*- coding: utf-8 -*- """ Created on Sun Dec 2 14:49:31 2018 @author: congpeiqing """ import os from SimpleBP import SimpleBP from GenData import genData if not os.path.exists('data'): os.makedirs('data') #构造训练和测试数据 data_file = open('data/trainning_data.dat' , 'w') data_file.write(genData()) data_file.close() data_file = open('data/test_data.dat' , 'w') data_file.write(genData()) data_file.close() #文件格式:rec_id,attr1_value,attr2_value,attr3_value,class_id #读取和解析训练数据 trainning_data_file = open('data/trainning_data.dat') trainning_data = [] for line in trainning_data_file : line = line.strip() fld_list = line.split(',') trainning_data.append(tuple([float(field) for field in fld_list[1:]])) trainning_data_file.close() #读取和解析测试数据 test_data_file = open('data/test_data.dat') test_data = [] for line in test_data_file : line = line.strip() fld_list = line.split(',') test_data.append(tuple([float(field) for field in fld_list[1:]])) test_data_file.close() #构造一个二分类网络 输入节点3个,隐层节点10个,输出节点一个 simple_bp = SimpleBP(3 , 10 , trainning_data , test_data) #训练网络 simple_bp.trainByItem() #测试分类准确率 print('Accuracy : ' , simple_bp.getAccuracy()) #训练时长比较长,准确率可以达到97%
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新动态
- DzintraErliha-Dreamscape(2024)[24Bit-96kHz]FLAC
- 群星.1999-上华世纪国语总冠军4CD【上华】【WAV+CUE】
- 叶丽仪.1992-仙鹤神针电视剧原声音乐专辑【星传真】【WAV+CUE】
- 陈柏宇.2011-QUINQUENNIUM【SONY】【WAV+CUE】
- 《51首热门当红歌曲 十大顶级发烧女声 3CD》[WAV+CUE][1.6GB]
- 《赵传 深受摇滚迷青睐的台湾音乐人 约定》[WAV+CUE][320MB]
- 《庄心妍 实力唱将 发烧音乐精选集》[WAV+CUE][380MB]
- [音展纪念碟]2006年《TAA台湾第十六届国际HI-ENDHI-FI音响展》2cd[WAV]
- 中国音乐地图之听见西藏山歌牧歌酒歌2020[WAV分轨]
- 王宏伟2017-永远的红飘带[太平洋影音][WAV+CUE]
- 费翔.1997-NOW现在【第一中国】【WAV+CUE】
- 新格合唱团.1981-我唱你和2辑(滚石新格民歌系列)【新格】【WAV+CUE】
- 陈柏宇.2011-QUINQUENNIUM【SONY】【WAV+CUE】
- 雨果唱片-《金唛系列-蔷薇依韵琼瑶》WAV
- 陈百强《凝望(2012华纳LPCD45限量版)[DMI]》[WAV整轨]