MATLAB深度学习单层神经网络

Posted 2021-01-04 negan-zw

 单层神经网络

　　在神经网络中，当隐藏节点具有线性激活函数时，隐含层将无效化。监督学习的训练，正是一个修正模型以减少模型输出与标准输出之间的误差的过程。神经网络以权重形式存储信息。

　　根据给定信息修改权重的系统方法被称为学习规则。

1.delta规则

　　也被称为Adaline规则或者Widrow-Hoff规则，是一种梯度下降的数值方法。

　　这一规则的基本思想是，权重依据输出节点误差和输入节点值成比例地调整。

2.更新权重的策略

　　SGD（Stochastic Gradient Descent 随机梯度下降）：依据每个训练数据计算误差，并立即调整权重。

　　Batch：使用训练数据的所有误差计算各个权重更新值，然后使用权重更新的平均值调整权重。

　　Mini Batch:SGD方法和Batch方法的混合。它选择训练数据集的一部分，并将它们用于Batch方法训练，即用平均权重更新来训练网络。若数据点的数量选择得当，Mini Batch可以兼顾SGD的速度和Batch方法的稳定性。

3.delta规则的SGD方法实现（MATLAB）

　　示例如下图所示，激活函数为Sigmoid函数，训练数据集为{([0,0,1],0),([0,1,1],0),([1,0,1],1),([1,1,1],1)}。

　　先定义Sigmoid函数：

function y = Sigmoid(x)
  y = 1 / (1 + exp(-x));
end

 　　定义SGD方法：

function W = DeltaSGD(W, X, D)
% 以神经网络的权重和训练数据作为输入，返回训练后的权重
% W是传递权重的参数，X和D分别为传递训练数据的输入和标准输出的参数
  alpha = 0.9;
  
  N = 4;  
  for k = 1:N
    x = X(k, :)‘;
    d = D(k);

    v = W*x;
    y = Sigmoid(v);
    
    e     = d - y;  
    delta = y*(1-y)*e;
  
    dW = alpha*delta*x;     % delta rule    
    
    W(1) = W(1) + dW(1); 
    W(2) = W(2) + dW(2);
    W(3) = W(3) + dW(3);    
  end
end

　　测试一下效果：

clear all
           
X = [ 0 0 1;
      0 1 1;
      1 0 1;
      1 1 1;
    ];

D = [ 0
      0
      1
      1
    ];
      
W = 2*rand(1, 3) - 1;

for epoch = 1:10000           % train
  W = DeltaSGD(W, X, D);
end

N = 4;                        % inference
for k = 1:N
  x = X(k, :)‘;
  v = W*x;
  y = Sigmoid(v)
end

　　得到结果为 0.0102 ，0.0083 ，0.9932 ，0.9917 。

4.delta规则的Batch实现（MATLAB）

　　定义Batch函数：

function W = DeltaBatch(W, X, D)
  alpha = 0.9;
 
  dWsum = zeros(3, 1);
   
  N = 4;  
  for k = 1:N
    x = X(k, :)‘;
    d = D(k);
                        
    v = W*x;
    y = Sigmoid(v);
    
    e     = d - y;    
    delta = y*(1-y)*e;
    
    dW = alpha*delta*x;
    
    dWsum = dWsum + dW;
  end
  dWavg = dWsum / N;
  
  W(1) = W(1) + dWavg(1);
  W(2) = W(2) + dWavg(2);
  W(3) = W(3) + dWavg(3);
end

　　Batch方法的平均性特性使得训练数据的敏感性降低。速度比SGD慢。

　　测试该函数：

clear all

X = [ 0 0 1;
      0 1 1;
      1 0 1;
      1 1 1;
    ];

D = [ 0
      0
      1
      1
    ];
      
W = 2*rand(1, 3) - 1;

for epoch = 1:40000 
  W = DeltaBatch(W, X, D); 
end

N = 4;
for k = 1:N
  x = X(k, :)‘;
  v = W*x;
  y = Sigmoid(v)
end

　　输出的结果为 0.0102，0.0083，0.9932，0.9917。

5.SGD和Batch的比较

　　比较两种方法的平均误差。将训练数据输入到神经网络中，并计算出均方差（E1，E2）

clear all
           
X = [ 0 0 1;
      0 1 1;
      1 0 1;
      1 1 1;
    ];

D = [ 0
      0
      1
      1
    ];


E1 = zeros(1000, 1);
E2 = zeros(1000, 1);

W1 = 2*rand(1, 3) - 1;
W2 = W1;

for epoch = 1:1000           % train
  W1 = DeltaSGD(W1, X, D);
  W2 = DeltaBatch(W2, X, D);

  es1 = 0;
  es2 = 0;
  N   = 4;
  for k = 1:N
    x = X(k, :)‘;
    d = D(k);
    
    v1  = W1*x;
    y1  = Sigmoid(v1);
    es1 = es1 + (d - y1)^2;
    
    v2  = W2*x;
    y2  = Sigmoid(v2);
    es2 = es2 + (d - y2)^2;
  end
  E1(epoch) = es1 / N;
  E2(epoch) = es2 / N;
end

plot(E1, ‘r‘)
hold on
plot(E2, ‘b:‘)
xlabel(‘Epoch‘)
ylabel(‘Average of Training error‘)
legend(‘SGD‘, ‘Batch‘)

　　结果如下：

 

6.单层神经网络的局限性

　　我们知道，单层神经网络无法拟合异或。下面测试一下，输入改成异或数据，DeltaXOR与DeltaSGD代码一样。

clear all
           
X = [ 0 0 1;
      0 1 1;
      1 0 1;
      1 1 1;
    ];

D = [ 0
      1
      1
      0
    ];
      
W = 2*rand(1, 3) - 1;

for epoch = 1:40000           % train
  W = DeltaXOR(W, X, D);
end

N = 4;                        % inference
for k = 1:N
  x = X(k, :)‘;
  v = W*x;
  y = Sigmoid(v)
end

　　结果为 0.5297，0.5000，0.4703，0.4409。这个结果明显存在问题。

　　单层神经网络只能解决线性可分问题，这是因为单层神经网络是一种将输入数据空间线性划分的模型。为克服单层神经网络的这种局限，出现了多层神经网络。