python中使用class关键字来定义类:
class 类名:
def __init__(self, 参数,...):#构造函数
...
def 方法1(self, 参数, ...): # 方法1
...
def 方法2(self, 参数, ...): # 方法2
...
这里有一股特殊的__init__方法,这是进行初始化的方法,也叫构造函数(constructor), 只在生成类的实例时被调用一次。此外在方法的第一个参数中明确地写入表示自身(自身的实例)的self是python的一个特点
import numpy as np
x = np.array([[1, 2], [3, 4]])
print(x)
print(x.shape) #查看矩阵x的形状
# (2, 2)
print(x.dtype) #查看矩阵元素的数据类型dataType
# dtype('int64')
np.arange(start, end, step)
np.array([[1, 2]]) # 生成1*2维的数组
使用感知机可以实现与门,与非门,或门的逻辑电路
但是异或真值表不能用线性划分,只能用非线性来划分
为了表示异或门,可以用与门,与非门,或门来进行组合
通过叠加层,感知机能进行更加灵活的表示
在用与非门等低层的元件构建计算机的情况下,分阶段地制作所需的零件(模块)会比较自然,即县实现与门和或门,然后实现半加器和全加器,接着实现算数逻辑单元ALU,然后实现CPU。
使用感知机可以表示与门和或门等逻辑电路
异或门无法通过单层感知机来表示
使用2层感知机可以表示异或门
单层感知机只能表示线性空间,而多层感知机可以表示非线性空间
多层感知机在理论上可以表示计算机
# 阶跃函数
def step_function(x):
if x>0:
return 1
else:
return 0
# 但是上面的参数x只能接受实数,但不允许参数为Numpy数组
# 例如step_function([1.0, 2.0])
# 下面的函数就可以接受Numpy数组
import numpy as np
def step1_function(x):
y = x > 0
return y.astype(np.int)
# astype()方法通过参数指定期望的类型,这个例子中是np.int型
import numpy as np
import matplotlib.pyplot as plt
def step2_function(x):
return np.array(x > 0, dtype=np.int)
x = np.arange(-5, 5, 0.1)
y = step2_function(x)
plt.plot(x, y)
plt.ylim(-0.1, 1.1) # 指定y轴的范围
plt.show()
import numpy as np
# 当参数x为Numpy数组时,结果也能被正确计算
def sigmoid(x):
return 1/(1+np.exp(-x))
x = np.arange(-5, 5, 0.1)
y = sigmoid(x)
plt.plot(x, y)
plt.ylim(-0.1, 1.1)# 指定y轴的范围
plt.show()
感知机 -->对应 阶跃函数
神经网络—> 对应 sigmoid函数
神经网络的激活函数必须使用非线性函数,即激活函数不能使用线性函数,因为如果使用线性函数,加深神经网络的层数就没有意义了,对于线性函数,不管如何加深层数,总是存在与之等效的“无隐藏层的神经网络”。为了发挥叠加层所带来的优势,激活函数必须使用非线性函数。
ReLU(Rectified Linear Unit)函数,ReLU函数在输入大于0时,直接输出该值;在输入小于等于0时,输
出0
def relu(x):
return np.maximum(0, x)
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(-5, 5, 0.1)
y = relu(x)
plt.plot(x, y)
# plt.ylim()
plt.show()
ReLU相比于传统的sigmoid函数,有3个作用:
1.防止梯度弥散
2.稀疏激活性
3.加快计算
结论就是sigmoid的导数只有在0附近的时候有比较好的激活性,在正负饱和区的梯度都接近于0,所以这会造成梯度弥散,而relu函数在大于0的部分梯度为常数,所以不会产生梯度弥散现象。
第二,relu函数在负半区的导数为0 ,所以一旦神经元激活值进入负半区,那么梯度就会为0,也就是说这个神经元不会经历训练,即所谓的稀疏性。
第三,relu函数的导数计算更快,程序实现就是一个if-else语句,而sigmoid函数要进行浮点四则运算。综上,relu是一个非常优秀的激活函数
参考博客
b.shape的结果是一个元组,一维数组的情况下也要返回和多维数组的情况下一致的结果
A=np.array([7, 8])
print(A.shape)
# (2,)
这里A是1维数组,看作列向量,所以形状为(2,),即有2行1列
任何前一层的偏置神经元“1”都只有一个。偏置权重的数量取决于后一层的神经元的数量(不包括
后一层的偏置神经元“1”)。因为后一层的每个神经元都来自前一层的加权计算,而前一层的加权计算会对应不同的偏置神经元
def init_network():
# 进行权重和偏置的初始化,并保存在字典变量network中
network = {}
network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
network['b1'] = np.array([0.1, 0.2, 0.3])
network['W2'] = np.array([[0.1, 0.4],[0.2, 0.5],[0.3, 0.6]])
network['b2'] = np.array([0.1, 0.2])
network['W3'] = np.array([[0.1, 0.3],[0.2, 0.4]])
network['b3'] = np.array([0.1, 0.2])
return network
def forward(network, x):
# 封装了将输入信号转换为输出信号的处理过程
# forward表示的是从输入到输出方向的传递处理
W1, W2, W3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1
z1 = sigmoid(a1)
a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)
a3 = np.dot(z2, W3) + b3
y = identity_function(a3)
return y
network = init_network()
x = np.array([1, 0.5])
y = forward(network, x)
print(y) #[0.31682708 0.69627909]
神经网络可以用在分类和回归问题上,需要根据情况改变输出层的激活函数。
def softmax(a):
exp_a = np.exp(a)
sum_exp_a = np.sum(exp_a)
y = exp_a / sum_exp_a
return y
上面的softmax函数虽然正确表述了其数学表达式,但是在计算机的运算中容易溢出,笔记 e 100 e^{100} e100会变成一个后面有40多个0的超大值。如果在这些超大值之间进行除法运算,结果会出现“不确定”的情况
def softmax(a):
c = np.max(a)
exp_a = np.exp(a - c) # 溢出对策
sum_exp_a = np.sum(exp_a)
y = exp_a / sum_exp_a
return y
一般而言,神经网络只把输出值最大的神经元对应的类别作为识别结果。即使使用softmax函数,输出值最大的神经元的位置也不会变。因此,神经网络在进行分类时,输出层的softmax函数可以省略。在实际的问题中,由于指数函数的运算需要一定的计算机运算量,因此输出层的softmax函数一般会被省略。
求解机器学习问题的步骤可以分为“学习”和“推理”两个阶段。
首先,在学习阶段进行模型的学习,然后,在推理阶段,用学到的模型对未知的数据进行推理(分类)。推理阶段一般会省略输出层的softmax函数。在输出层使用softmax函数是因为它和神经网络的学习有关系。
使用神经网络解决问题时,也需要先使用训练数据(学习数据)进行权重参数的学习;进行推理时,使用刚才学习到的参数,对输入数据进行分类。
Python有 pickle这个便利的功能。这个功能可以将程序运行中的对象保存为文件。如果加载保存过的 pickle文件,可以立刻复原之前程序运行中的对象。用于读入MNIST数据集的load_mnist()函数内部也使用了 pickle功能(在第 2次及以后读入时)。利用 pickle功能,可以高效地完成MNIST数据的准备工作。