上一個博客中講解了用python實現一個簡單的兩層神經網絡，我們是把所有的網絡層都直接寫在了類中。但是作為一個神經網絡框架，網絡的結構應該是可以由使用者自定義的，這樣一來也就不用為每個網絡結構都重寫所有代碼，我們把每一層模塊化，在神經網絡的類中定義結構時使用這些模塊化的層堆疊形成一個完整的神經網絡。每一種層，分別實現forward和password兩個函數，用來正向計算和反向傳播。

這里我們實現的網絡層和功能有：全連層、激活層、計算loss、自動訓練

1、全連層

全連層的正向計算很簡單，f(W,x)=xW+b。

反向傳播分別求x,W,b的梯度，dx=f(W,x)·W.T,dW=x·f(W,x),db=f(W,x)。

1 defaffine_forward(x, w, b):2 #######################################

3 #x: input shape (N, d_1, ..., d_k)

4 #w: Weights shape (D, M)

5 #b: bias shape (M)

6 #7 #Returns :

8 #out: output,shape (N, M)

9 #cache: (x, w, b)

10 ########################################

11 x1=x.reshape(x.shape[0],-1)12 out=np.dot(x1,w)+b13 cache=(x,w)14 returnout,cache15

16 defaffine_backward(dout, cache):17 ##################################################

18 #dout: Upstream derivative, of shape (N, M)

19 #cache: Tuple of:

20 #x: Input shape (N, d_1, ... d_k)

21 #w: Weights shape (D, M)

22 #23 #Returns a tuple of:

24 #dx: shape (N, d1, ..., d_k)

25 #dw: shape (D, M)

26 #db: shape (M,)

27 ##################################################

28 x,w=cache29 N=x.shape[0]30 x1=x.reshape(N,-1)31 dx=np.dot(dout,w.T).reshape(*x.shape)32 dw=np.dot(x1.T,dout)33 db=np.sum(dout,axis=0)34 return dx,dw,db

View Code

2、激活層

激活層只實現常用的relu激活函數。f(x)=max(0,x)。

反向傳播也很簡單，被激活的繼承上一級的梯度，沒有激活的梯度為0。這里不涉及到參數的梯度計算，只涉及到梯度的傳播。

1 defrelu_forward(x):2 out =np.maximum(0,x)3 cache =x4 returnout, cache5

6

7 defrelu_backward(dout, cache):8 x =cache9 dx = dout * (x>0)10 return dx

View Code

實際使用過程中，一般全連接層后面都會接激活層，為了方便起見，可以合并兩層。這里的合并跟之后的整個神經網絡的堆疊思想一致。

1 defaffine_relu_forward(x, w, b):2 """

3 全連接層和激活層的合并4

5 Inputs:6 - x: 全連接層的輸入7 - w, b: 全連接層的權重參數8

9 Returns a tuple of:10 - out: 被激活的全連接層的輸出11 - cache: 用于反向傳播12 """

13 a,fc_cache=affine_forward(x,w,b)14 out,relu_cache=relu_forward(a)15 returnout, (fc_cache,relu_cache)16

17

18 defaffine_relu_backward(dout, cache):19 fc_cache, relu_cache =cache20 da=relu_backward(dout,relu_cache)21 dx,dw,db=affine_backward(da,fc_cache)22 return dx, dw, db

View Code

3、loss層

嚴格上講這不算神經網絡的一個層，只是為了訓練而必須進行的一個計算，但是這里我們就把它也當作一個層好了。

loss函數在上一個博客中已經詳細介紹過了。https://www.cnblogs.com/super-JJboom/p/9748468.html

1 defsvm_loss(x, y):2

3 N,C=x.shape4 correct_class_scores=x[range(N),y].reshape(-1,1)5 margins=np.maximum(0,x-correct_class_scores+1)6 loss=np.sum(margins)/N7 dx =np.zeros_like(x)8 dx[margins>0]=1

9 num_pos = np.sum(margins > 0, axis=1)10 dx[range(N),y]-=num_pos11 dx/=N12

13 returnloss, dx14

15

16 defsoftmax_loss(x, y):17

18 N,C=x.shape19 shift_x=x-np.max(x,axis=1,keepdims=True).reshape(-1,1)20 Z=np.sum(np.exp(shift_x),axis=1,keepdims=True)21 log_pro=-shift_x+np.log(Z)22 loss=np.sum(log_pro[range(N),y])/N23 probs=np.exp(-log_pro)24 probs[range(N),y]-=1

25 dx=probs26 dx/=N

View Code

到此為止，之前我們實現兩層神經網絡需要的層已經都實現了。先重構一下之前的實現吧。

1 #2層神經網絡

2 classTwoLayerNet(object):3 #The architecure : affine - relu - affine - softmax.

4 def __init__(self, input_dim=3*32*32,hidden_dim=100,num_classes=10,weight_scale=1e-3,reg=0.0):5 ################################

6 #input_dim 輸入維度

7 #hidden_dims 隱藏層神經元個數

8 #num_classes 輸出個數

9 #weight_scale 初始化權重

10 #reg 正則項系數

11 ################################

12 self.params={}13 self.reg=reg14 self.params['W1']=weight_scale*np.random.randn(input_dim,hidden_dim)15 self.params['b1']=np.zeros(hidden_dim)16 self.params['W2']=weight_scale*np.random.randn(hidden_dim,num_classes)17 self.params['b2']=np.zeros(num_classes)18

19 def loss(self,X,y=None):20 #返回loss和grad

21

22 #前向計算

23 ar1_out,ar1_cache=affine_relu_forward(X,self.params['W1'],self.params['b1'])24 a2_out,a2_cache=affine_forward(ar1_out,self.params['W2'],self.params['b2'])25 scores=a2_out26

27 if y isNone:28 returnscores29

30 loss,grads=0,{}31 loss,dscores=softmax_loss(scores,y)32 loss=loss+0.5*self.reg*(np.sum(self.params['W1']**2)+np.sum(self.params['W2']**2))33 dx2,dw2,db2=affine_backward(dscores,a2_cache)34 grads['W2']=dw2+self.reg*self.params['W2']35 grads['b2']=db236

37 dx1,dw1,db1=affine_relu_backward(dx2,ar1_cache)38 grads['W1']=dw1+self.reg*self.params['W1']39 grads['b1']=db140

41 return loss,grads

View Code

看起來比之前的實現并沒有簡單多少。。。這是因為2層神經網絡的結構過于簡單，僅從代碼量上來看并沒有減少，但是對于后面要實現的更復雜的神經網絡來說，就發揮了巨大的作用。

哦，對比之前的實現，發現少了自動化訓練的實現。因為訓練有很多參數可以選擇和調節，之前沒有實現，如果全部放入神經網絡的類中的話會顯得過于臃腫，所以把訓練過程的實現單獨拿出來作為一個類。

4、自動化訓練

相比與之前的自動訓練過程，這里增加了更多的可選項。可以選擇優化方法，如：SGD，帶動量的SGD，adam。每一輪數據迭代完之后顯示數據。

1 importnumpy as np2 from cs231n importoptim3

4 classSolver(object):5 def __init__(self,model,data,**kwargs):6 '''

7 初始化對象8 inputs:9 - model:網絡結構對象10 - data:字典，包含帶標簽的訓練集和驗證集11 - kwargs:可選參數，詳細見下面提取時候的注釋12 '''

13

14 self.model=model15 self.X_train=data['X_train']16 self.y_train=data['y_train']17 self.X_val=data['X_val']18 self.y_val=data['y_val']19

20 #解讀kwargs

21 self.update_rule=kwargs.pop('update_rule','sgd') #優化方法的選擇，默認為隨機梯度下降

22 self.optim_config=kwargs.pop('optim_config',{}) #優化的參數，學習率是必須有的選項。其他可以有動量因子之類的參數

23 self.lr_decay=kwargs.pop('lr_decay',1.0) #學習率衰減因子，默認不衰減

24 self.batch_size=kwargs.pop('batch_size',128) #批大小，默認128

25 self.num_epochs=kwargs.pop('num_epochs',10) #訓練全部數據的輪次，默認為10輪

26 self.print_every=kwargs.pop('print_every',10) #多少輪顯示一次進度

27 self.verbose=kwargs.pop('verbose',True) #是否顯示進度，為false的情況下上一個參數無效

28

29 #含有不支持的參數

30 if len(kwargs)>0:31 extra=','.join('"%s"' % k for k inkwargs.keys())32 raise ValueError('Unrecongnized arguments %s' %extra)33

34 #檢查優化方法是否支持

35 if nothasattr(optim,self.update_rule):36 raise ValueError('invalid update_rule "%s"' %self.update_rule)37

38 self.update_rule=getattr(optim,self.update_rule)39

40 self._reset()41

42 def_reset(self):43 #初始化參數

44 self.epoch=045 self.best_val_acc=046 self.best_params={}47 self.loss_history=[]48 self.train_acc_history=[]49 self.val_acc_history=[]50

51 #給給個參數矩陣復制一個優化參數，因為之后每個權重的參數不相同，需要自己保存

52 self.optim_configs={}53 for p inself.model.params:54 d={k:v for k,v inself.optim_config.items()}55 self.optim_configs[p]=d56

57 def_step(self):58 #單步更新

59

60 #隨機取出batchsize個數據

61 num_train=self.X_train.shape[0]62 batch_mask=np.random.choice(num_train,self.batch_size)63 X_batch=self.X_train[batch_mask]64 y_batch=self.y_train[batch_mask]65

66 #計算loss

67 loss,grads=self.model.loss(X_batch,y_batch)68 self.loss_history.append(loss)69

70 #更新參數

71 for p,w inself.model.params.items():72 dw=grads[p]73 config=self.optim_configs[p]74 next_w,next_config=self.update_rule(w,dw,config)75 self.model.params[p]=next_w76 self.optim_configs[p]=next_config77

78 #計算正確率

79 def check_accuracy(self,X,y,num_samples=None,batch_size=128):80 N=X.shape[0]81

82 #如果num_sample不為空 則只從全部數據中選則num_sample個數據計算

83 if num_samples is not None and N>num_samples:84 mask=np.random.choice(N,num_samples)85 N=num_samples86 X=X[mask]87 y=y[mask]88

89 num_batches=N//batch_size90 if N%batch_size!=0:91 num_batches+=1

92 y_pred=[]93 for i inrange(num_batches):94 start=i*batch_size95 end=(i+1)*batch_size96 scores=self.model.loss(X[start:end])97 y_pred.append(np.argmax(scores,axis=1))98 y_pred=np.concatenate(y_pred,axis=0)99 acc=np.mean(y_pred==y)100

101 returnacc102

103 deftrain(self):104 num_train=self.X_train.shape[0]105 iterations_per_epoch=max(num_train//self.batch_size,1)106 num_iterations=self.num_epochs*iterations_per_epoch107

108 for t inrange(num_iterations):109 self._step()110

111 if self.verbose and t%self.print_every==0:112 print('Iteration %d /%d loss: %f' %(t+1,num_iterations,self.loss_history[-1]) )113

114 #每個epoch執行相應操作

115 epoch_end=(t+1)%iterations_per_epoch==0116 ifepoch_end:117 self.epoch+=1

118 for k inself.optim_configs:119 self.optim_configs[k]['learning_rate']*=self.lr_decay120

121 first_it=(t==0)122 last_it=(t==num_iterations-1)123 if first_it or last_it orepoch_end:124 train_acc=self.check_accuracy(self.X_train,self.y_train,num_samples=1280)125 val_acc=self.check_accuracy(self.X_val ,self.y_val)126 self.train_acc_history.append(train_acc)127 self.val_acc_history.append(val_acc)128

129 #可視化進度

130 ifself.verbose:131 print ('(Epoch %d / %d) train acc: %f; val_acc: %f' %(132 self.epoch, self.num_epochs, train_acc, val_acc))133

134 #檢查、保存模型

135 if val_acc>self.best_val_acc:136 self.best_val_acc=val_acc137 self.best_params={}138 for k,v inself.model.params.items():139 self.best_params[k]=v.copy()140

141 self.model.params=self.best_params

View Code

實現到這里，已經可以重新訓練之前的兩層神經網絡了，訓練代碼全部整合帶最后的測試代碼里面了。

5、實現全連層神經網絡框架

實現跟兩層神經網絡區別不大，只是網絡層的堆疊使用了循環。這里還沒有實現的批歸一化和dropout操作后面會講到。

1 classFullyConnectedNet(object):2 #archtecture: {affine - [batch norm] - relu - [dropout]} x (L - 1) - affine - softmax

3 def __init__(self,hidden_dims,input_dim=3*32*32,num_classes=10,dropout=0,4 use_batchnorm=False,reg=0.0,weight_scale=1e-3,dtype=np.float32,seed=None):5

6 '''

7 inputs:8 - hidden_dims:list,存儲了有多少個中間層，每一層有多少個神經元9 - input_dim: 輸入數據的維度大小10 - num_classes:類別的個數，也就是最后一層的神經元個數11 - dropout:失活率12 - use_batchnorm:是否在每一層之間使用批歸一化操作13 - reg:正則權重14 - weight_scale:權重矩陣的初始數量級15 - seed:失活率隨機16 '''

17

18 self.use_batchnorm=use_batchnorm19 self.use_dropout=(dropout>0)20 self.reg=reg21 self.num_layers=1+len(hidden_dims)22 self.dtype=dtype23 self.params={}24

25 #初始化每層的參數w,b [gamma,beta,dropout](如果有的話)

26 layer_input=input_dim27 for i,hd inenumerate(hidden_dims):28 self.params['W%d'%(i+1)]=weight_scale*np.random.randn(layer_input,hd)29 self.params['b%d'%(i+1)]=weight_scale*np.zeros(hd)30 ifself.use_batchnorm:31 self.params['gamma%d'%(i+1)]=np.ones(hd)32 self.params['beta%d'%(i+1)]=np.zeros(hd)33 layer_input=hd34 self.params['W%d'%(self.num_layers)]=weight_scale*np.random.randn(layer_input,num_classes)35 self.params['b%d'%(self.num_layers)]=weight_scale*np.zeros(num_classes)36 for k,v inself.params.items():37 self.params[k]=v.astype(dtype)38

39 self.dropout_param={}40 ifself.use_dropout:41 self.dropout_param={'mode':'train','p':dropout}42 if seed is notNone:43 self.dropout_param['seed']=seed44

45 self.bn_params=[]46 ifself.use_batchnorm:47 self.bn_params=[{'mode':'train'} for i in range(self.num_layers-1)]48

49 def loss(self,X,y=None):50

51 #跟之前一樣，y=None時表示測試過程，直接返回最后一層的輸出即可。否則表示訓練過程，還要計算loss和gradient。

52

53 X=X.astype(self.dtype)54 mode='test' if y is None else 'train'

55

56 if self.dropout_param is notNone:57 self.dropout_param['mode'] =mode58 ifself.use_batchnorm:59 for bn_param inself.bn_params:60 bn_param['mode'] =mode61

62

63 #forward pass

64 layer_input=X65 ar_cache={}66 dp_cache={}67

68 for lay in range(self.num_layers-1):69 ifself.use_batchnorm:70 layer_input, ar_cache[lay] =affine_bn_relu_forward(layer_input,71 self.params['W%d'%(lay+1)], self.params['b%d'%(lay+1)],72 self.params['gamma%d'%(lay+1)], self.params['beta%d'%(lay+1)], self.bn_params[lay])73 else:74 layer_input,ar_cache[lay]=affine_relu_forward(layer_input,self.params['W%d'%(lay+1)],self.params['b%d'%(lay+1)])75

76 ifself.use_dropout:77 layer_input, dp_cache[lay] =dropout_forward(layer_input, self.dropout_param)78

79 ar_out,ar_cache[self.num_layers]=affine_forward(layer_input,self.params['W%d'%(self.num_layers)],self.params['b%d'%(self.num_layers)])80 scores=ar_out81

82 #預測時直接返回scores即可

83 if mode=='test':84 returnscores85

86 #訓練時還要計算loss和gradient

87 grads={}88 loss,dscores=softmax_loss(scores,y)89 dhout=dscores90 loss+=0.5*self.reg*np.sum(self.params['W%d'%(self.num_layers)]**2)91 dx,dw,db=affine_backward(dhout,ar_cache[self.num_layers])92 grads['W%d'%(self.num_layers)]=dw+self.reg*self.params['W%d'%(self.num_layers)]93 grads['b%d'%(self.num_layers)]=db94 dhout=dx95 for lay in range(self.num_layers-1):96 lay=self.num_layers-1-lay-1

97 loss+=0.5*self.reg*np.sum(self.params['W%d'%(lay+1)]**2)98 ifself.use_dropout:99 dout=dropout_backward(dhout,dp_cache[lay])100 ifself.use_batchnorm:101 dx,dw,db,dgamma,dbeta=affine_bn_relu_backward(dhout,ar_cache[lay])102 grads['gamma%d'%(lay+1)] =dgamma103 grads['beta%d'%(lay+1)] =dbeta104 else:105 dx,dw,db=affine_relu_backward(dhout,ar_cache[lay])106 grads['W%d'%(lay+1)]=dw+self.reg*self.params['W%d'%(lay+1)]107 grads['b%d'%(lay+1)]=db108 dhout=dx109

110 return loss,grads

View Code

總結

以上是生活随笔為你收集整理的python神经网络调节参数_神经网络进阶-用python实现一个完整的神经网络框架并在CIFAR10数据集上调参...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。