Python 은 numpy 를 바탕 으로 신경 망 구 조 를 유연 하 게 정의 하 는 방법

이 사례 는 파 이 썬 이 numpy 를 바탕 으로 신경 망 구 조 를 유연 하 게 정의 하 는 방법 을 다 루 었 다.여러분 께 참고 하도록 공유 하 겠 습 니 다.구체 적 으로 는 다음 과 같 습 니 다.
numpy 로 신경 망 구 조 를 유연 하 게 정의 할 수 있 고 numpy 의 강력 한 행렬 연산 기능 도 응용 할 수 있 습 니 다!
용법
1).3 층 신경 망 을 정의 합 니 다.

'''   '''
nn = NeuralNetworks([3,4,2]) #       
nn.fit(X,y) #   
print(nn.predict(X)) #  

설명:
입력 층 노드 수:3
숨겨 진 층 노드 수:4
출력 층 노드 수:2
2).5 층 신경 망 을 정의 한다.

'''   '''
nn = NeuralNetworks([3,5,7,4,2]) #       
nn.fit(X,y) #   
print(nn.predict(X)) #  

설명:
입력 층 노드 수:3
숨겨 진 층 1 노드 수:5
숨겨 진 층 2 노드 수:7
숨겨 진 층 3 노드 수:4
출력 층 노드 수:2
실현
다음 실현 방식 은 본인(@hhh 5460)의 오리지널 입 니 다.요점:dtype=object

import numpy as np
class NeuralNetworks(object):
  ''''''
  def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4):
    '''        '''
    #        (  )
    self.n = np.array(n_layers) # 'n_layers   list  ， ：[3,4,2]   n_layers=[3,4,2]'
    self.size = self.n.size #     
    #   (  )
    self.z = np.empty(self.size, dtype=object) #    (  )，dtype=object ！    
    self.a = np.empty(self.size, dtype=object)
    self.data_a = np.empty(self.size, dtype=object)
    #    (  )
    self.b = np.empty(self.size, dtype=object)
    self.delta_b = np.empty(self.size, dtype=object)
    #   (  )
    self.w = np.empty(self.size, dtype=object)
    self.delta_w = np.empty(self.size, dtype=object)
    #   
    for i in range(self.size):
      self.a[i] = np.zeros(self.n[i]) #   
      self.z[i] = np.zeros(self.n[i]) #   
      self.data_a[i] = np.zeros(self.n[i]) #   
      if i < self.size - 1:
        self.b[i] = np.ones(self.n[i+1])  #   
        self.delta_b[i] = np.zeros(self.n[i+1]) #   
        mu, sigma = 0, 0.1 #   、  
        self.w[i] = np.random.normal(mu, sigma, (self.n[i], self.n[i+1])) # #        
        self.delta_w[i] = np.zeros((self.n[i], self.n[i+1])) #   

아래 의 전체 코드 는 제 가 스 탠 퍼 드 기계 학습 과정 을 배 워 서 완전히 스스로 두 드 린 것 입 니 다.

import numpy as np
'''
  ：http://ufldl.stanford.edu/wiki/index.php/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
'''
class NeuralNetworks(object):
  ''''''
  def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4):
    '''        '''
    self.n_iter = n_iter #     
    self.error = error #       
    self.alpha = alpha #     
    self.lamda = lamda #      #         ！
    if n_layers is None:
      raise '           ！'
    elif not isinstance(n_layers, list):
      raise 'n_layers   list  ， ：[3,4,2]   n_layers=[3,4,2]'
    #      (  )
    self.n = np.array(n_layers)
    self.size = self.n.size #     
    #   (  )
    self.a = np.empty(self.size, dtype=object) #    (  )，dtype=object ！    
    self.z = np.empty(self.size, dtype=object)
    #    (  )
    self.b = np.empty(self.size, dtype=object)
    self.delta_b = np.empty(self.size, dtype=object)
    #   (  )
    self.w = np.empty(self.size, dtype=object)
    self.delta_w = np.empty(self.size, dtype=object)
    #    (  )
    self.data_a = np.empty(self.size, dtype=object)
    #   
    for i in range(self.size):
      self.a[i] = np.zeros(self.n[i]) #   
      self.z[i] = np.zeros(self.n[i]) #   
      self.data_a[i] = np.zeros(self.n[i]) #   
      if i < self.size - 1:
        self.b[i] = np.ones(self.n[i+1])  #   
        self.delta_b[i] = np.zeros(self.n[i+1]) #   
        mu, sigma = 0, 0.1 #   、  
        self.w[i] = np.random.normal(mu, sigma, (self.n[i], self.n[i+1])) # #        
        self.delta_w[i] = np.zeros((self.n[i], self.n[i+1])) #   
    #     
    self.active_functions = {
      'sigmoid': self.sigmoid,
      'tanh': self.tanh,
      'radb': self.radb,
      'line': self.line,
    }
    #         
    self.derivative_functions = {
      'sigmoid': self.sigmoid_d,
      'tanh': self.tanh_d,
      'radb': self.radb_d,
      'line': self.line_d,
    }
    if active_type is None:
      self.active_type = ['sigmoid'] * (self.size - 1) #         
    else:
      self.active_type = active_type
  def sigmoid(self, z):
    if np.max(z) > 600:
      z[z.argmax()] = 600
    return 1.0 / (1.0 + np.exp(-z))
  def tanh(self, z):
    return (np.exp(z) - np.exp(-z)) / (np.exp(z) + np.exp(-z))
  def radb(self, z):
    return np.exp(-z * z)
  def line(self, z):
    return z
  def sigmoid_d(self, z):
    return z * (1.0 - z)
  def tanh_d(self, z):
    return 1.0 - z * z
  def radb_d(self, z):
    return -2.0 * z * np.exp(-z * z)
  def line_d(self, z):
    return np.ones(z.size) #   
  def forward(self, x):
    '''    （  ）''' 
    #     x    ，     z, a
    self.a[0] = x
    for i in range(self.size - 1):
      self.z[i+1] = np.dot(self.a[i], self.w[i]) + self.b[i] 
      self.a[i+1] = self.active_functions[self.active_type[i]](self.z[i+1]) #       
  def err(self, X, Y):
    '''  '''
    last = self.size-1
    err = 0.0
    for x, y in zip(X, Y):
      self.forward(x)
      err += 0.5 * np.sum((self.a[last] - y)**2)
    err /= X.shape[0]
    err += sum([np.sum(w) for w in self.w[:last]**2])
    return err
  def backward(self, y):
    '''    （  ）'''
    last = self.size - 1
    #     y    ，    delta_w, delta_b
    self.data_a[last] = -(y - self.a[last]) * self.derivative_functions[self.active_type[last-1]](self.z[last]) #           
    for i in range(last-1, 1, -1):
      self.data_a[i] = np.dot(self.w[i], self.data_a[i+1]) * self.derivative_functions[self.active_type[i-1]](self.z[i]) #           
      #     
      p_w = np.outer(self.a[i], self.data_a[i+1]) #   ！   numpy    ！
      p_b = self.data_a[i+1]
      #    delta_w, delta_w
      self.delta_w[i] = self.delta_w[i] + p_w
      self.delta_b[i] = self.delta_b[i] + p_b
  def update(self, n_samples):
    '''      '''
    last = self.size - 1
    for i in range(last):
      self.w[i] -= self.alpha * ((1/n_samples) * self.delta_w[i] + self.lamda * self.w[i])
      self.b[i] -= self.alpha * ((1/n_samples) * self.delta_b[i])
  def fit(self, X, Y):
    '''  '''
    for i in range(self.n_iter):
      #      ，  
      for x, y in zip(X, Y):
        self.forward(x) #   ，   a, z;
        self.backward(y) #   ，   delta_w, delta_b
      #   ，   w, b
      self.update(len(X))
      #     
      err = self.err(X, Y)
      if err < self.error:
        break
      #        （     ！）
      if i % 1000 == 0:
        print('iter: {}, error: {}'.format(i, err))
  def predict(self, X):
    '''  '''
    last = self.size - 1
    res = []
    for x in X:
      self.forward(x)
      res.append(self.a[last])
    return np.array(res)
if __name__ == '__main__':
  nn = NeuralNetworks([2,3,4,3,1], n_iter=5000, alpha=0.4, lamda=0.3, error=0.06) #       
  X = np.array([[0.,0.], #     
         [0.,1.],
         [1.,0.],
         [1.,1.]])
  y = np.array([0,1,1,0])
  nn.fit(X,y)     #   
  print(nn.predict(X)) #   

더 많은 파 이 썬 관련 내용 은 본 사이트 의 주 제 를 볼 수 있 습 니 다.Python 수학 연산 기법 총화,Python 데이터 구조 및 알고리즘 튜 토리 얼,Python 함수 사용 기법 총화,Python 문자열 조작 기법 집합과Python 입문 및 진급 고전 튜 토리 얼
본 논문 에서 말 한 것 이 여러분 의 Python 프로 그래 밍 에 도움 이 되 기 를 바 랍 니 다.