Python实现的NN神经网络算法完整示例

朴灿烈づ我的快乐病毒、 2023-07-18 06:26 15阅读 0赞

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![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70]

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70 1]  
最后给大家推荐一个口碑不错的python聚集地【[点击进入][Link 1]】，这里有很多的老前辈学习技巧，学习心得

，面试技巧，职场经历等分享，更为大家精心准备了零基础入门资料，实战项目资料，每天都有程序员

定时讲解Python技术，分享一些学习的方法和需要留意的小细节

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70]: /images/20230528/473d925d3e644d398da5b76a518f8f3b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hhb3h1bjEy_size_16_color_FFFFFF_t_70 1]: /images/20230528/bb0052bfb41d45479aab7abb88d6a37b.png
[Link 1]: https://jq.qq.com/?_wv=1027&k=5cb1kUZ