在 MATLAB 中从头开始编程基本神经网络

Posted 2023-03-12

【中文标题】在 MATLAB 中从头开始编程基本神经网络

【英文标题】：Programming a Basic Neural Network from scratch in MATLAB

【发布时间】：2014-03-26 18:40:42

【问题描述】：

我过去在这个网站上问过一些关于神经网络的问题，并得到了很好的答案，但我仍在努力为自己实现一个。这是一个相当长的问题，但我希望它可以作为其他人在 MATLAB 中创建自己的基本神经网络的指南，所以它应该是值得的。

到目前为止我所做的可能是完全错误的。我正在学习 Andrew Y. Ng 教授的在线斯坦福机器学习课程，并尽我所能将他所教的内容付诸实践。

您能否告诉我我的代码的前馈和成本函数部分是否正确，以及我在最小化（优化）部分中哪里出错了？

我有一个 feed 2 层前馈神经网络。

前馈部分的 MATLAB 代码为：

function [ Y ] = feedforward2( X,W1,W2)
%This takes a row vector of inputs into the neural net with weight matrices W1 and W2 and returns a row vector of the outputs from the neural net

%Remember X, Y, and A can be vectors, and W1 and W2 Matrices 

X=transpose(X);            %X needs to be a column vector
A = sigmf(W1*X,[1 0]);     %Values of the first hidden layer  
Y = sigmf(W2*A,[1 0]);     %Output Values of the network
Y = transpose(Y);          %Y needs to be a column vector

例如，具有两个输入和两个输出的两层神经网络看起来有点像这样：

      a1
x1 o--o--o y1      (all weights equal 1)
    \/ \/
    /\ /\
x2 o--o--o y2
      a2

如果我们输入：

X=[2,3];
W1=ones(2,2);
W2=ones(2,2);

Y = feedforward2(X,W1,W2)

我们得到输出：

Y = [0.5,0.5]

这表示神经网络图中显示的y1和y2值

平方误差成本函数的 MATLAB 代码为：

function [ C ] = cost( W1,W2,Xtrain,Ytrain )
%This gives a value seeing how close W1 and W2 are to giving a network that represents the Xtrain and Ytrain data
%It uses the squared error cost function
%The closer the cost is to zero, the better these particular weights are at giving a network that represents the training data
%If the cost is zero, the weights give a network that when the Xtrain data is put in, The Ytrain data comes out

M = size(Xtrain,1);  %Number of training examples

oldsum = 0;

for i = 1:M,
        H = feedforward2(Xtrain,W1,W2); 
        temp = ( H(i) - Ytrain(i) )^2;
        Sum = temp + oldsum;
        oldsum = Sum;
end

C = (1/2*M) * Sum;

end

示例

例如，如果训练数据是：

Xtrain =[0,0;        Ytrain=[0/57;
        1,2;           3/57;
        4,1;           5/57;
        5,2;           7/57;                                                           a1    
        3,4;           7/57;    %This will be for a two input one output network  x1 o--o y1
        5,3;           8/57;                                                          \/ \_o 
        1,5;           6/57;                                                          /\ /
        6,2;           8/57;                                                      x2 o--o      
        2,1;           3/57;                                                           a2    
        5,5;]          10/57;]

我们从初始随机权重开始

W1=[2,3;     W2=[3,2]
    4,1]

如果我们输入：

Y= feedforward2([6,2],W1,W2)

我们得到

Y = 0.9933 

这与训练数据所说的相差甚远（8/57 = 0.1404）。所以最初的随机权重 W1 和 W2 在那里一个不好的猜测。

为了准确衡量对随机权重的猜测有多差/多好，我们使用成本函数：

C= cost(W1,W2,Xtrain,Ytrain)

这给出了值：

C = 6.6031e+003

最小化成本函数

如果我们通过搜索所有可能的变量 W1 和 W2 来最小化成本函数，然后选择最低的，这将给出最接近训练数据的网络

但是当我使用代码时：

 [W1,W2]=fminsearch(cost(W1,W2,Xtrain,Ytrain),[W1,W2])

它给出一条错误消息。它说：“使用 horzcat 时出错。CAT 参数尺寸不一致。”为什么会出现此错误，我该如何解决？

---

您能否告诉我我的代码的前馈和成本函数部分是否正确，以及我在最小化（优化）部分中哪里出错了？

谢谢！！！

【参考方案1】：

您的神经网络似乎还不错，但如果您正在针对标记数据进行训练，那么您尝试进行的训练效率非常低。在这种情况下，我建议调查Back-propagation

关于你在训练时的错误：你的错误信息提示问题：dimensions are not consistent

作为 fminsearch 中的参数 x0 是优化器的初始猜测，您发送 [W1, W2] 但据我所知，这些矩阵的行数不同，因此您可以不要像那样把它们加在一起。我建议修改您的成本函数以将向量作为参数，然后从该向量形成不同层的权重向量。

您也没有正确地向fminsearch 提供成本函数，因为您只是在就地使用 w1、w2、Xtrain 和 Ytrain 评估 cost。

根据documentation（我使用 Matlab 已经多年了），您似乎将 指向成本函数的指针 传递为 fminsearch(cost, [W1; W2])

编辑：您可以按如下方式表达您的权重并修改您的代码：

global Xtrain
global Ytrain
W = [W1; W2]
fminsearch(cost, W)

必须修改成本函数，使其不接受 Xtrain、Ytrain 作为输入，因为 fminsearch 将尝试优化它们。像这样修改你的成本函数：

function [ C ] = cost( W )
   W1 = W[1:2,:]
   W2 = W[3,:]
   global Xtrain
   global Ytrain
   ...

【讨论】：

感谢您的回答。 “修改您的成本函数以将向量作为参数，然后从该向量形成不同层的权重向量。”我该怎么做？我不知道如何从一个和变为一个向量方程，我不明白你所说的“从那个向量形成不同层的权重向量”是什么意思。