手寫(xiě)數(shù)字識(shí)別神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)(1)

對(duì)MNIST數(shù)據(jù)集使用2層神經(jīng)網(wǎng)絡(luò)（1層隱藏層）實(shí)現(xiàn)。

1、2層神經(jīng)網(wǎng)絡(luò)的類(lèi)

將2層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)為一個(gè)TwoLayerNet的類(lèi)：

class TwoLayerNet:
    def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
        # 初始化權(quán)重
        self.params = {}
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)
    def predict(self, x):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        return y
    # x:輸入數(shù)據(jù), t:監(jiān)督數(shù)據(jù)
    def loss(self, x, t):
        y = self.predict(x)
        return cross_entropy_error(y, t)
    def accuracy(self, x, t):
        y = self.predict(x)
        y = np.argmax(y, axis=1)
        t = np.argmax(t, axis=1)
        accuracy = np.sum(y == t) / float(x.shape[0])
        return accuracy
    # x:輸入數(shù)據(jù), t:監(jiān)督數(shù)據(jù)
    def numerical_gradient(self, x, t):
        loss_W = lambda W: self.loss(x, t)
        grads = {}
        grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
        grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
        grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
        grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
        return grads
    def gradient(self, x, t):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
        grads = {}
        batch_num = x.shape[0]
        # forward
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        # backward
        dy = (y - t) / batch_num
        grads['W2'] = np.dot(z1.T, dy)
        grads['b2'] = np.sum(dy, axis=0)
        da1 = np.dot(dy, W2.T)
        dz1 = sigmoid_grad(a1) * da1
        grads['W1'] = np.dot(x.T, dz1)
        grads['b1'] = np.sum(dz1, axis=0
        return grads

定義了初始化函數(shù)__init__，其中params變量W1，2分別是第1，2層的權(quán)重，b1,2分別是1，2層的偏置。初始化函數(shù)中包含輸入層、隱藏層和輸出層的神經(jīng)元數(shù)，W1是隨機(jī)生成的大小為輸入層神經(jīng)元數(shù)量(m)*隱藏層神經(jīng)元數(shù)量的矩陣(n)，b1是隱藏層神經(jīng)元數(shù)量(n)的全0一維數(shù)組，W2是隨機(jī)生成的大小為隱藏層神經(jīng)元數(shù)量(n)*輸出層神經(jīng)元數(shù)量(k)的矩陣，b2是輸出層神經(jīng)元數(shù)量(k)的全0一維數(shù)組。

定義了predict函數(shù)，表明網(wǎng)絡(luò)結(jié)構(gòu)，輸入x權(quán)重+偏置進(jìn)行激活得到隱藏層z1，z1權(quán)重+偏置進(jìn)行激活得到輸出y。

定義損失函數(shù)loss，使用的是交叉熵誤差。

定義精確度函數(shù)accuracy，計(jì)算輸出與標(biāo)簽一致（即正確識(shí)別）的概率。

定義了數(shù)值微分求權(quán)重梯度的函數(shù)numerical_gradient，返回梯度值，之前介紹過(guò)。

定義了另一種求權(quán)重梯度的方法，后面介紹。

上述代碼中涉及的兩個(gè)變量params和grads是字典型實(shí)例變量，前者保存了神經(jīng)網(wǎng)絡(luò)中全部的參數(shù)，后者保存了各個(gè)參數(shù)的梯度。

2、Mini-batch的實(shí)現(xiàn)

定義了2層神經(jīng)網(wǎng)絡(luò)的類(lèi)相當(dāng)于對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行封裝形成一個(gè)模塊，需要的時(shí)候設(shè)計(jì)參數(shù)即可直接調(diào)用。現(xiàn)在對(duì)MNIST數(shù)據(jù)集進(jìn)行學(xué)習(xí)，使用這個(gè)封裝好的2層神經(jīng)網(wǎng)絡(luò)。

# 讀入數(shù)據(jù)
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, one_hot_label=True)
network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)
iters_num = 10000  # 適當(dāng)設(shè)定循環(huán)的次數(shù)
train_size = x_train.shape[0]
batch_size = 100
learning_rate = 0.1


# 獲取mini-batch
for i in range(iters_num):
    batch_mask = np.random.choice(train_size, batch_size)
    x_batch = x_train[batch_mask]
    t_batch = t_train[batch_mask]
# 計(jì)算梯度
    #grad = network.numerical_gradient(x_batch, t_batch)
    grad = network.gradient(x_batch, t_batch)
# 更新參數(shù)
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
# 記錄學(xué)習(xí)過(guò)程    
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)

讀入數(shù)據(jù)后，調(diào)用了2層神經(jīng)網(wǎng)絡(luò)的類(lèi)，設(shè)置好函數(shù)完成調(diào)用，其中輸入神經(jīng)元為784個(gè)（圖片像素為28*28），隱藏層50個(gè)神經(jīng)元，輸出層10個(gè)神經(jīng)元（對(duì)應(yīng)0-9的分類(lèi)）。

設(shè)置超參數(shù)，包括學(xué)習(xí)的次數(shù)iters_num，訓(xùn)練數(shù)據(jù)的數(shù)量train_size，一次隨機(jī)選取的訓(xùn)練數(shù)據(jù)的個(gè)數(shù)batch_size，學(xué)習(xí)率learning_rate。

獲取mini-batch，計(jì)算mini-batch中的梯度，有兩種計(jì)算方法數(shù)值微分和后面會(huì)介紹的高效方法，任意一種都行。通過(guò)grad函數(shù)更新參數(shù)W1,W2,b1,b2，使參數(shù)向梯度方向即使損失函數(shù)減小的方向移動(dòng)，保存每一次更新的損失函數(shù)的值，后續(xù)繪圖可以觀(guān)察損失函數(shù)的變化。損失函數(shù)在不斷減小，說(shuō)明神經(jīng)網(wǎng)絡(luò)確實(shí)在學(xué)習(xí)。

3、基于測(cè)試數(shù)據(jù)的評(píng)價(jià)

損失函數(shù)的值是某一個(gè)mini-batch的損失函數(shù)的值，不能說(shuō)明在其他數(shù)據(jù)集上也能有同等程度的表現(xiàn)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)必須確認(rèn)是否能識(shí)別訓(xùn)練數(shù)據(jù)之外的其他數(shù)據(jù)，即確認(rèn)是否會(huì)發(fā)生過(guò)擬合。

下面的代碼會(huì)對(duì)訓(xùn)練和測(cè)試數(shù)據(jù)的每一個(gè)epoch記錄識(shí)別精度。一個(gè)epoch表示學(xué)習(xí)中所有數(shù)據(jù)均被使用過(guò)一次的更新次數(shù)，訓(xùn)練數(shù)據(jù)有60000個(gè)，mini-batch是100個(gè)，那么重復(fù)隨機(jī)梯度下降法600次，所有訓(xùn)練數(shù)據(jù)就都被看過(guò)了，因此600次是一個(gè)epoch。

train_acc_list = []
test_acc_list = []
iter_per_epoch = max(train_size / batch_size, 1)


if i % iter_per_epoch == 0:
  train_acc = network.accuracy(x_train, t_train)
  test_acc = network.accuracy(x_test, t_test)
  train_acc_list.append(train_acc)
  test_acc_list.append(test_acc)
  print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))
# 繪制圖形
markers = {'train': 'o', 'test': 's'}
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list, label='train acc')
plt.plot(x, test_acc_list, label='test acc', linestyle='--')
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()

每經(jīng)歷一個(gè)epoch就會(huì)對(duì)所有訓(xùn)練和測(cè)試數(shù)據(jù)計(jì)算精度，然后繪制訓(xùn)練和測(cè)試精確度的變化，訓(xùn)練和測(cè)試的精度在慢慢提高且基本重疊，說(shuō)明沒(méi)有過(guò)擬合。