DNN的BP算法Python简单实现

Posted 2020-10-11

BP算法是神经网络的基础，也是最重要的部分。由于误差反向传播的过程中，可能会出现梯度消失或者爆炸，所以需要调整损失函数。在LSTM中，通过sigmoid来实现三个门来解决记忆问题，用tensorflow实现的过程中，需要进行梯度修剪操作，以防止梯度爆炸。RNN的BPTT算法同样存在着这样的问题，所以步数超过5步以后，记忆效果大大下降。LSTM的效果能够支持到30多步数，太长了也不行。如果要求更长的记忆，或者考虑更多的上下文，可以把多个句子的LSTM输出组合起来作为另一个LSTM的输入。下面上传用Python实现的普通DNN的BP算法，激活为sigmoid.

字迹有些潦草，凑合用吧，习惯了手动绘图，个人习惯。后面的代码实现思路是最重要的：每个层有多个节点，层与层之间单向链接（前馈网络），因此数据结构可以设计为单向链表。实现的过程属于典型的递归，递归调用到最后一层后把每一层的back_weights反馈给上一层，直到推导结束。上传代码(未经过优化的代码)：

测试代码：

import numpy as np
import NeuralNetWork as nw

if __name__ == ‘__main__‘:
    print("test neural network")

    data = np.array([[1, 0, 0, 0, 0, 0, 0, 0],
                     [0, 1, 0, 0, 0, 0, 0, 0],
                     [0, 0, 1, 0, 0, 0, 0, 0],
                     [0, 0, 0, 1, 0, 0, 0, 0],
                     [0, 0, 0, 0, 1, 0, 0, 0],
                     [0, 0, 0, 0, 0, 1, 0, 0],
                     [0, 0, 0, 0, 0, 0, 1, 0],
                     [0, 0, 0, 0, 0, 0, 0, 1]])

    np.set_printoptions(precision=3, suppress=True)


    for i in range(10):
        network = nw.NeuralNetWork([8, 20, 8])
        # 让输入数据与输出数据相等
        network.fit(data, data, learning_rate=0.1, epochs=150)

        print("\\n\\n", i, "result")
        for item in data:
            print(item, network.predict(item))

#NeuralNetWork.py

# encoding: utf-8
#NeuralNetWork.py
import numpy as np;

def logistic(inX):
    return 1 / (1+np.exp(-inX))

def logistic_derivative(x):
    return logistic(x) * (1 - logistic(x))


class Neuron:
    ‘‘‘
    构建神经元单元，每个单元都有如下属性：1.input;2.output;3.back_weight;4.deltas_item;5.weights.
    每个神经元单元更新自己的weights,多个神经元构成layer,形成weights矩阵
    ‘‘‘
    def __init__(self,len_input):
        #输入的初始参数，随机取很小的值(<0.1)
        self.weights = np.random.random(len_input) * 0.1
        #当前实例的输入
        self.input = np.ones(len_input)
        #对下一层的输出值
        self.output = 1.0
        #误差项
        self.deltas_item = 0.0
        # 上一次权重增加的量，记录起来方便后面扩展时可考虑增加冲量
        self.last_weight_add = 0

    def calculate_output(self,x):
       #计算输出值
       self.input = x;
       self.output = logistic(np.dot(self.weights,self.input))
       return self.output

    def get_back_weight(self):
        #获取反馈差值
           return self.weights * self.deltas_item

    def update_weight(self,target = 0,back_weight = 0,learning_rate=0.1,layer="OUTPUT"):
        #更新权重
        if layer == "OUTPUT":
            self.deltas_item = (target - self.output) * logistic_derivative(self.input)
        elif layer == "HIDDEN":
            self.deltas_item = back_weight * logistic_derivative(self.input)

        delta_weight = self.input * self.deltas_item * learning_rate + 0.9 * self.last_weight_add #添加冲量
        self.weights += delta_weight
        self.last_weight_add = delta_weight

class NetLayer:
    ‘‘‘
    网络层封装，管理当前网络层的神经元列表
    ‘‘‘

    def __init__(self,len_node,in_count):
        ‘‘‘
        :param len_node: 当前层的神经元数
        :param in_count: 当前层的输入数
        ‘‘‘
        # 当前层的神经元列表
        self.neurons = [Neuron(in_count) for _ in range(len_node)];
        # 记录下一层的引用，方便递归操作
        self.next_layer = None

    def calculate_output(self,inX):
        output = np.array([node.calculate_output(inX) for node in self.neurons])
        if self.next_layer is not None:
            return self.next_layer.calculate_output(output)
        return output

    def get_back_weight(self):
        return sum([node.get_back_weight() for node in self.neurons])

    def update_weight(self,learning_rate,target):
        layer = "OUTPUT"
        back_weight = np.zeros(len(self.neurons))
        if self.next_layer is not None:
            back_weight = self.next_layer.update_weight(learning_rate,target)
            layer = "HIDDEN"
        for i,node in enumerate(self.neurons):
            target_item = 0 if len(target) <= i else target[i]
            node.update_weight(target = target_item,back_weight = back_weight[i],learning_rate=learning_rate,layer=layer)
        return self.get_back_weight()

class NeuralNetWork:
    def __init__(self, layers):
        self.layers = []
        self.construct_network(layers)
        pass

    def construct_network(self, layers):
        last_layer = None
        for i, layer in enumerate(layers):
            if i == 0:
                continue
            cur_layer = NetLayer(layer, layers[i - 1])
            self.layers.append(cur_layer)
            if last_layer is not None:
                last_layer.next_layer = cur_layer
            last_layer = cur_layer

    def fit(self, x_train, y_train, learning_rate=0.1, epochs=100000, shuffle=False):
        ‘‘‘‘‘
        训练网络, 默认按顺序来训练
        方法 1：按训练数据顺序来训练
        方法 2: 随机选择测试
        :param x_train: 输入数据
        :param y_train: 输出数据
        :param learning_rate: 学习率
        :param epochs:权重更新次数
        :param shuffle:随机取数据训练
        ‘‘‘
        indices = np.arange(len(x_train))
        for _ in range(epochs):
            if shuffle:
                np.random.shuffle(indices)
            for i in indices:
                self.layers[0].calculate_output(x_train[i])
                self.layers[0].update_weight(learning_rate, y_train[i])
        pass

    def predict(self, x):
        return self.layers[0].calculate_output(x)

 

以上是关于DNN的BP算法Python简单实现的主要内容，如果未能解决你的问题，请参考以下文章

2. DNN神经网络的反向更新（BP）

BP算法从原理到python实现

BP算法推导python实现

深度学习系列经典博客收藏

神经网络——Python实现BP神经网络算法（理论+例子+程序）

python实现BP算法