Python实现的NN神经网络算法完整示例
作者:Wsine 时间:2023-10-06 04:30:41
本文实例讲述了Python实现的NN神经网络算法。分享给大家供大家参考,具体如下:
参考自Github开源代码:https://github.com/dennybritz/nn-from-scratch
运行环境
Pyhton3
numpy(科学计算包)
matplotlib(画图所需,不画图可不必)
sklearn(人工智能包,生成数据使用)
计算过程
输入样例
none
代码实现
# -*- coding:utf-8 -*-
#!python3
__author__ = 'Wsine'
import numpy as np
import sklearn
import sklearn.datasets
import sklearn.linear_model
import matplotlib.pyplot as plt
import matplotlib
import operator
import time
def createData(dim=200, cnoise=0.20):
"""
输出:数据集, 对应的类别标签
描述:生成一个数据集和对应的类别标签
"""
np.random.seed(0)
X, y = sklearn.datasets.make_moons(dim, noise=cnoise)
plt.scatter(X[:, 0], X[:, 1], s=40, c=y, cmap=plt.cm.Spectral)
#plt.show()
return X, y
def plot_decision_boundary(pred_func, X, y):
"""
输入:边界函数, 数据集, 类别标签
描述:绘制决策边界(画图用)
"""
# 设置最小最大值, 加上一点外边界
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
h = 0.01
# 根据最小最大值和一个网格距离生成整个网格
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
# 对整个网格预测边界值
Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
# 绘制边界和数据集的点
plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
def calculate_loss(model, X, y):
"""
输入:训练模型, 数据集, 类别标签
输出:误判的概率
描述:计算整个模型的性能
"""
W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2']
# 正向传播来计算预测的分类值
z1 = X.dot(W1) + b1
a1 = np.tanh(z1)
z2 = a1.dot(W2) + b2
exp_scores = np.exp(z2)
probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
# 计算误判概率
corect_logprobs = -np.log(probs[range(num_examples), y])
data_loss = np.sum(corect_logprobs)
# 加入正则项修正错误(可选)
data_loss += reg_lambda/2 * (np.sum(np.square(W1)) + np.sum(np.square(W2)))
return 1./num_examples * data_loss
def predict(model, x):
"""
输入:训练模型, 预测向量
输出:判决类别
描述:预测类别属于(0 or 1)
"""
W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2']
# 正向传播计算
z1 = x.dot(W1) + b1
a1 = np.tanh(z1)
z2 = a1.dot(W2) + b2
exp_scores = np.exp(z2)
probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
return np.argmax(probs, axis=1)
def initParameter(X):
"""
输入:数据集
描述:初始化神经网络算法的参数
必须初始化为全局函数!
这里需要手动设置!
"""
global num_examples
num_examples = len(X) # 训练集的大小
global nn_input_dim
nn_input_dim = 2 # 输入层维数
global nn_output_dim
nn_output_dim = 2 # 输出层维数
# 梯度下降参数
global epsilon
epsilon = 0.01 # 梯度下降学习步长
global reg_lambda
reg_lambda = 0.01 # 修正的指数
def build_model(X, y, nn_hdim, num_passes=20000, print_loss=False):
"""
输入:数据集, 类别标签, 隐藏层层数, 迭代次数, 是否输出误判率
输出:神经网络模型
描述:生成一个指定层数的神经网络模型
"""
# 根据维度随机初始化参数
np.random.seed(0)
W1 = np.random.randn(nn_input_dim, nn_hdim) / np.sqrt(nn_input_dim)
b1 = np.zeros((1, nn_hdim))
W2 = np.random.randn(nn_hdim, nn_output_dim) / np.sqrt(nn_hdim)
b2 = np.zeros((1, nn_output_dim))
model = {}
# 梯度下降
for i in range(0, num_passes):
# 正向传播
z1 = X.dot(W1) + b1
a1 = np.tanh(z1) # 激活函数使用tanh = (exp(x) - exp(-x)) / (exp(x) + exp(-x))
z2 = a1.dot(W2) + b2
exp_scores = np.exp(z2) # 原始归一化
probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
# 后向传播
delta3 = probs
delta3[range(num_examples), y] -= 1
dW2 = (a1.T).dot(delta3)
db2 = np.sum(delta3, axis=0, keepdims=True)
delta2 = delta3.dot(W2.T) * (1 - np.power(a1, 2))
dW1 = np.dot(X.T, delta2)
db1 = np.sum(delta2, axis=0)
# 加入修正项
dW2 += reg_lambda * W2
dW1 += reg_lambda * W1
# 更新梯度下降参数
W1 += -epsilon * dW1
b1 += -epsilon * db1
W2 += -epsilon * dW2
b2 += -epsilon * db2
# 更新模型
model = { 'W1': W1, 'b1': b1, 'W2': W2, 'b2': b2}
# 一定迭代次数后输出当前误判率
if print_loss and i % 1000 == 0:
print("Loss after iteration %i: %f" % (i, calculate_loss(model, X, y)))
plot_decision_boundary(lambda x: predict(model, x), X, y)
plt.title("Decision Boundary for hidden layer size %d" % nn_hdim)
#plt.show()
return model
def main():
dataSet, labels = createData(200, 0.20)
initParameter(dataSet)
nnModel = build_model(dataSet, labels, 3, print_loss=False)
print("Loss is %f" % calculate_loss(nnModel, dataSet, labels))
if __name__ == '__main__':
start = time.clock()
main()
end = time.clock()
print('finish all in %s' % str(end - start))
plt.show()
输出样例
Loss is 0.071316
finish all in 7.221354361552228
希望本文所述对大家Python程序设计有所帮助。
来源:http://www.cnblogs.com/wsine/p/5180365.html
标签:Python,NN,神经网络算法
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
win10下mysql 5.7.23 winx64安装配置方法图文教程
2024-01-18 07:28:06
![](https://img.aspxhome.com/file/2023/9/121269_0s.png)
opencv转换颜色空间更改图片背景
2023-12-20 19:01:29
Django零基础入门之模板变量详解
2023-03-19 11:17:16
![](https://img.aspxhome.com/file/2023/2/82722_0s.jpg)
OpenCV+python3实现视频分解成图片
2023-05-30 19:10:55
![](https://img.aspxhome.com/file/2023/0/101120_0s.jpg)
pandas 时间偏移的实现
2021-09-24 03:54:01
CentOS 6.5下yum安装 MySQL-5.5全过程图文教程
2024-01-20 03:03:12
![](https://img.aspxhome.com/file/2023/0/112690_0s.jpg)
当标题不能显示完整的时候
2007-11-20 13:23:00
python一秒搭建FTP服务器
2021-03-04 01:44:30
![](https://img.aspxhome.com/file/2023/3/131493_0s.jpg)
python yield关键词案例测试
2021-02-07 03:14:07
layui table 表格上添加日期控件的两种方法
2024-02-25 10:05:14
PyCharm连接远程服务器的超级详细教程
2023-05-10 16:59:31
![](https://img.aspxhome.com/file/2023/6/135256_0s.jpg)
Session的工作机制详解和安全性问题(PHP实例讲解)
2024-05-03 15:29:39
![](https://img.aspxhome.com/file/2023/2/129842_0s.png)
python实现简单倒计时功能
2022-09-29 03:08:32
![](https://img.aspxhome.com/file/2023/5/75905_0s.jpg)
Python实现字符串匹配的KMP算法
2021-02-10 05:03:45
如何远程使用服务器上的Jupyter notebook
2023-02-08 10:45:54
![](https://img.aspxhome.com/file/2023/1/115731_0s.png)
python 计算t分布的双侧置信区间
2023-08-01 03:06:05
![](https://img.aspxhome.com/file/2023/9/61489_0s.jpg)
Mysql数据库实现多字段过滤的方法
2024-01-16 11:35:48
![](https://img.aspxhome.com/file/2023/8/80148_0s.jpg)
盲人站长深恶痛绝的onfocus=”this.blur()”
2011-04-22 12:25:00
Python实现双向链表
2022-06-12 17:41:34
![](https://img.aspxhome.com/file/2023/5/99215_0s.jpg)
Python爬虫之网页图片抓取的方法
2021-12-19 00:47:20
![](https://img.aspxhome.com/file/2023/3/78523_0s.png)