Python实现的NN神经网络算法完整示例

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