基于weka手工实现多层感知机(BPNet)

这篇具有很好参考价值的文章主要介绍了基于weka手工实现多层感知机(BPNet)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、BP网络

1.1 单层感知机

单层感知机,就是只有一层神经元,它的模型结构如下1

基于weka手工实现多层感知机(BPNet),机器学习,数据挖掘,人工智能,机器学习,神经网络

对于权重 w w w的更新,我们采用如下公式:

w i = w i + Δ w i Δ w i = η ( y − y ^ ) x i (1) w_i=w_i+\Delta w_i \\ \Delta w_i=\eta(y-\hat{y})x_i\tag{1} wi=wi+ΔwiΔwi=η(yy^)xi(1)

其中, y y y 为标签, y ^ \hat{y} y^ 为模型输出值, η \eta η 为学习率, x i x_i xi 为模型输入。

这样我们就实现了对一层感知机的参数调整。

但是,单层感知机由于是线性的,拟合能力很有限,对于非线性可分的问题(比如异或)都是无法处理的。

1.2 多层感知机

如果是多层感知机,参数调整复杂一些,需要采用误差逆向传播算法。网络结构如图,这里假设我们只考虑包含一个隐含层的神经网络:

基于weka手工实现多层感知机(BPNet),机器学习,数据挖掘,人工智能,机器学习,神经网络

网络的具体参数如上图所示。

其在第k个样例上的误差为:

E k = 1 2 ∑ j = 1 l ( y ^ j k − y j k ) E_k=\frac{1}{2}\sum_{j=1}^l(\hat{y}_j^k-y_j^k) Ek=21j=1l(y^jkyjk)

对于任意参数更新:
v = v + Δ v v=v+\Delta v v=v+Δv

对于参数 w w w

Δ w h j = − η ∂ E k ∂ w h j \Delta w_{hj}=-\eta \frac{\partial E_k}{\partial w_{hj}} Δwhj=ηwhjEk

∂ E k ∂ w h j = ∂ E k ∂ y ^ j k ⋅ ∂ y ^ j k ∂ β j ⋅ ∂ β j ∂ w h j \frac{\partial E_k}{\partial w_{hj}}=\frac{\partial E_k}{\partial \hat{y}_j^k} \cdot \frac{\partial \hat{y}_j^k}{\partial \beta_j} \cdot \frac{\partial \beta_j}{\partial w_{hj}} whjEk=y^jkEkβjy^jkwhjβj

β i \beta_i βi为输出层的输入,根据其定义,

∂ β j ∂ w h j = b h \frac{\partial \beta_j}{\partial w_{hj}}=b_h whjβj=bh

其中 b h b_h bh为隐含层的输出。

因为每一层要经过一个激活函数,这里我们采用的是sigmoid函数,他有一个很好的性质:

f ′ ( x ) = f ( x ) ( 1 − f ( x ) ) f'(x)=f(x)(1-f(x)) f(x)=f(x)(1f(x))

于是就有:

g j = − ∂ E k ∂ y ^ j k ⋅ ∂ y ^ j k ∂ β j = − ( y ^ j k − y j k ) f ′ ( β j − θ j ) = y ^ j k ( 1 − y ^ j k ) ( y j k − y ^ j k ) \begin{aligned} g_j=& -\frac{\partial E_k}{\partial \hat{y}_j^k} \cdot \frac{\partial \hat{y}_j^k}{\partial \beta_j} \\ =&-(\hat{y}_j^k-y_j^k)f'(\beta_j-\theta_j)\\ =&\hat{y}_j^k(1-\hat{y}_j^k)(y_j^k-\hat{y}_j^k) \end{aligned} gj===y^jkEkβjy^jk(y^jkyjk)f(βjθj)y^jk(1y^jk)(yjky^jk)

其中, θ j \theta_j θj 为第j个输出神经元的 bias。

这样,我们就得到了 w w w的更新量(注意:这里不需要加负号了,因为我们已经在 g j g_j gj中添加过了),

Δ w h j = η g j b h \Delta w_{hj}=\eta g_j b_h Δwhj=ηgjbh

Δ θ j = − η g j Δ v i h = η e h x i Δ γ h = − η e h \Delta \theta_j=-\eta g_j\\ \Delta v_{ih}=\eta e_h x_i \\ \Delta \gamma_h=-\eta e_h Δθj=ηgjΔvih=ηehxiΔγh=ηeh

在BP算法中,假设我们的只有3层网络,1个输入层、一个隐含层、一个输出层,那么参数的数量为 d × q + q × l + q + l d\times q+q\times l+q+l d×q+q×l+q+l(其中,d,q,l分别为输入层、隐藏层、输出层的神经元数量),我们根据上面的公式就可以进行参数的迭代计算了。

而根据不同的输入数据,隐藏层神经元的数量如何设置呢?我这里采用了一个经验公式,参考自bp隐含层节点数经验公式。

文中指出:

q = ( d + l ) × 2 3 q=(d+l)\times \frac{2}{3} q=(d+l)×32

基于weka手工实现多层感知机(BPNet),机器学习,数据挖掘,人工智能,机器学习,神经网络

二、基于weka代码实现

package weka.classifiers.myf;

import weka.classifiers.Classifier;
import weka.core.*;
import weka.core.matrix.Matrix;
import weka.filters.Filter;
import weka.filters.unsupervised.attribute.NominalToBinary;

/**
 * @author YFMan
 * @Description 自定义的 BP 神经网络 分类器
 * @Date 2023/6/7 11:30
 */
public class myBPNet extends Classifier {
    /*
     * @Author YFMan
     * @Description //主函数
     * @Date 2023/6/7 19:14
     * @Param [argv 命令行参数]
     * @return void
     **/
    public static void main(String[] argv) {
        runClassifier(new myBPNet(), argv);
    }

    // 训练数据
    private Instances m_instances;

    // 当前正在训练的样例
    private Instance m_currentInstance;

    // 训练总次数
    private final int m_numEpochs;

    // 二值化过滤器,将标称属性转换为二值属性,进而输入到神经网络中
    private final NominalToBinary m_nominalToBinaryFilter;

    // 学习率
    private final double m_learningRate;

    // 当前的训练误差
    private double m_error;

    // 输入维度(输入层神经元数量)
    private int m_numInputs;

    // 隐藏层维度(隐藏层神经元数量)
    private int m_numHidden;

    // 输出维度(输出层神经元数量)
    private int m_numOutputs;

    // 输入层的输出
    private Matrix m_input;

    // 输入层到隐藏层的权重矩阵
    private Matrix m_weightsInputHidden;

    // 隐藏层到输出层的权重矩阵
    private Matrix m_weightsHiddenOutput;

    // 隐藏层的阈值
    private Matrix m_hiddenThresholds;

    // 输出层的阈值
    private Matrix m_outputThresholds;

    // 隐藏层的输出
    private Matrix m_hiddenOutput;

    // 输出层的输出
    private Matrix m_output;

    // 输出层对应的标签
    private Matrix m_labels;

    /*
     * @Author YFMan
     * @Description // BP 网络 构造函数
     * @Date 2023/6/7 19:04
     * @Param []
     * @return
     **/
    public myBPNet() {
        // 训练数据
        m_instances = null;
        // 当前样例
        m_currentInstance = null;
        // 训练误差
        m_error = 0;
        // 二值化过滤器,将标称属性转换为二值属性
        m_nominalToBinaryFilter = new NominalToBinary();
        // 训练总次数
        m_numEpochs = 500;
        // 学习率
        m_learningRate = .3;
    }

    /*
     * @Author YFMan
     * @Description //Sigmoid函数
     * @Date 2023/6/7 19:53
     * @Param [x]
     * @return double
     **/
    double sigmoid(double x) {
        return 1.0 / (1.0 + Math.exp(-x));
    }

    /*
     * @Author YFMan
     * @Description //前向传播
     * @Date 2023/6/7 19:47
     * @Param []
     * @return void
     **/
    void forwardPropagation() {
        // 初始化输入层的输出
        for (int i = 0; i < m_numInputs; i++) {
            m_input.set(0, i, m_currentInstance.value(i));
        }

        // 计算隐藏层的输出
        m_hiddenOutput = m_input.times(m_weightsInputHidden);
        // 减去阈值
        m_hiddenOutput = m_hiddenOutput.minus(m_hiddenThresholds);
        // 激活函数
        for (int i = 0; i < m_numHidden; i++) {
            m_hiddenOutput.set(0, i, sigmoid(m_hiddenOutput.get(0, i)));
        }

        // 计算输出层的输出
        m_output = m_hiddenOutput.times(m_weightsHiddenOutput);
        // 减去阈值
        m_output = m_output.minus(m_outputThresholds);
        // 激活函数
        for (int i = 0; i < m_numOutputs; i++) {
            m_output.set(0, i, sigmoid(m_output.get(0, i)));
        }
    }

    /*
     * @Author YFMan
     * @Description //反向传播
     * @Date 2023/6/7 20:20
     * @Param []
     * @return void
     **/
    void backPropagation() {
        // 获取当前样例的标签
        m_labels = new Matrix(1, m_numOutputs);
        for (int i = 0; i < m_numOutputs; i++) {
            // 将标签转换为矩阵(最后部分的 binary 对应 类标签 标值)
            m_labels.set(0, i, m_currentInstance.value(m_numInputs + i));
        }


        // 计算 g = m_output * (1 - m_output) * (m_labels - m_output)
        // 输出层的误差
        Matrix m_outputError = m_output.copy();
        m_outputError = m_outputError.times(-1);
        // 创建一个全为 1 的矩阵 用于 1 - m_output
        Matrix one = new Matrix(1, m_numOutputs, 1);
        m_outputError = m_outputError.plus(one);
        m_outputError = m_outputError.arrayTimes(m_output);
        m_outputError = m_outputError.arrayTimes(m_labels.minus(m_output));

        // 计算 隐藏层到输出层的权重矩阵的增量 deltaWeightsHiddenOutput = m_learningRate * g * b_h
        // 隐藏层到输出层的权重矩阵的增量
        Matrix m_deltaWeightsHiddenOutput = new Matrix(m_numHidden, m_numOutputs);
        for(int h = 0; h < m_numHidden; h++) {
            for(int j = 0; j < m_numOutputs; j++) {
                m_deltaWeightsHiddenOutput.set(h, j, m_learningRate * m_outputError.get(0, j) * m_hiddenOutput.get(0, h));
            }
        }

        // 计算 隐藏层到输出层的阈值的增量 deltaOutputThresholds = - m_learningRate * g
        // 输出层的阈值的增量
        Matrix m_deltaOutputThresholds = m_outputError.times(-m_learningRate);

        // 计算 隐藏层的误差 hiddenError = b_h * (1 - b_h) * g * m_weightsHiddenOutput.transpose()
        Matrix one1 = new Matrix(1, m_numHidden, 1);
        // 隐藏层的误差
        Matrix m_hiddenError = m_hiddenOutput.copy();
        m_hiddenError = m_hiddenError.times(-1);
        m_hiddenError = m_hiddenError.plus(one1);
        m_hiddenError = m_hiddenError.arrayTimes(m_hiddenOutput);
        m_hiddenError = m_hiddenError.arrayTimes(m_outputError.times(m_weightsHiddenOutput.transpose()));

        // 计算 输入层到隐藏层的权重矩阵的增量 deltaWeightsInputHidden = m_learningRate * hiddenError * x_i
        // 输入层到隐藏层的权重矩阵的增量
        Matrix m_deltaWeightsInputHidden = new Matrix(m_numInputs, m_numHidden);
        for(int i = 0; i < m_numInputs; i++) {
            for(int h = 0; h < m_numHidden; h++) {
                m_deltaWeightsInputHidden.set(i, h, m_learningRate * m_hiddenError.get(0, h) * m_input.get(0, i));
            }
        }

        // 计算 输入层到隐藏层的阈值的增量 deltaHiddenThresholds = - m_learningRate * hiddenError
        // 隐藏层的阈值的增量
        Matrix m_deltaHiddenThresholds = m_hiddenError.times(-m_learningRate);

        // 更新 隐藏层到输出层的权重矩阵
        m_weightsHiddenOutput = m_weightsHiddenOutput.plus(m_deltaWeightsHiddenOutput);
        // 更新 隐藏层到输出层的阈值
        m_outputThresholds = m_outputThresholds.plus(m_deltaOutputThresholds);

        // 更新 输入层到隐藏层的权重矩阵
        m_weightsInputHidden = m_weightsInputHidden.plus(m_deltaWeightsInputHidden);
        // 更新 输入层到隐藏层的阈值
        m_hiddenThresholds = m_hiddenThresholds.plus(m_deltaHiddenThresholds);

        // 更新训练误差
        m_error += calculateError();
    }


    /*
     * @Author YFMan
     * @Description //计算训练误差
     * @Date 2023/6/7 21:04
     * @Param []
     * @return double
     **/
    double calculateError() {
        // 计算误差
        double error = 0;
        for (int i = 0; i < m_numOutputs; i++) {
            error += Math.pow(m_labels.get(0, i) - m_output.get(0, i), 2);
        }
        error /= 2;
        return error;
    }

    /*
     * @Author YFMan
     * @Description //训练BP网络
     * @Date 2023/6/7 19:44
     * @Param []
     * @return void
     **/
    void train() {
        // 遍历epochs次训练
        for (int i = 0; i < m_numEpochs; i++) {
            // 初始化训练误差
            m_error = 0;
            // 遍历训练数据
            for (int j = 0; j < m_instances.numInstances(); j++) {
                // 获取当前训练样例
                m_currentInstance = m_instances.instance(j);
                // 前向传播
                forwardPropagation();
                // 反向传播
                backPropagation();
            }
            // 打印训练误差
            System.out.println("Epoch " + (i + 1) + " error: " + m_error);
            // 训练误差小于0.01,停止训练
            if (m_error < 0.01) {
                break;
            }
        }
    }

    /*
     * @Author YFMan
     * @Description //根据训练数据训练BP网络
     * @Date 2023/6/7 19:12
     * @Param [instances 训练数据]
     * @return void
     **/
    public void buildClassifier(Instances instances) throws Exception {
        // 训练数据
        m_instances = instances;
        // 获取训练数据的标签
        m_nominalToBinaryFilter.setInputFormat(m_instances);
        m_instances = Filter.useFilter(m_instances, m_nominalToBinaryFilter);
        m_numInputs = 0;
        // 遍历训练数据,获取输入维度、隐藏层维度、输出维度
        for (int i = 0; i < instances.numAttributes(); i++) {
            // 获取输入维度
            if (i != instances.classIndex()) {
                if(instances.attribute(i).numValues()<=2){
                    m_numInputs += 1;
                }
                else{
                    m_numInputs += instances.attribute(i).numValues();
                }
            } else { // 获取输出维度
                if(instances.attribute(i).numValues()<=2){
                    m_numOutputs = 1;
                }
                else{
                    m_numOutputs = instances.attribute(i).numValues();
                }
            }
        }
        // 隐藏层维度(输入维度+输出维度) * 2 / 3
        m_numHidden = (m_numInputs + m_numOutputs) * 2 / 3;
        // 初始化输入层
        m_input = new Matrix(1, m_numInputs);

        // 初始化权重矩阵
        m_weightsInputHidden = Matrix.random(m_numInputs, m_numHidden);
        m_weightsHiddenOutput = Matrix.random(m_numHidden, m_numOutputs);

        // 初始化隐藏层阈值向量
        m_hiddenThresholds = new Matrix(1, m_numHidden);
        // 初始化输出层阈值向量
        m_outputThresholds = new Matrix(1, m_numOutputs);
        // 训练误差
        m_error = 0;
        // 训练
        train();

    }

    /*
     * @Author YFMan
     * @Description //根据样例分类数据,返回各个类别的概率
     * @Date 2023/6/7 19:11
     * @Param [instance 输入样例]
     * @return double[] 各个类别的概率
     **/
    public double[] distributionForInstance(Instance instance) throws Exception {
        // 将输入样例由标称属性转换为二值属性
        m_nominalToBinaryFilter.input(instance);
        m_currentInstance = m_nominalToBinaryFilter.output();

        // 前向传播
        forwardPropagation();
        // 如果输出维度为1,返回概率
        double[] result;
        if (m_numOutputs == 1) {
            result = new double[2];
            result[0] = 1 - m_output.get(0, 0);
            result[1] = m_output.get(0, 0);
        }
        else{ // 否则,进行归一化处理
            result = m_output.getRowPackedCopy();
            // 归一化处理
            double sum = 0;
            for (double v : result) {
                sum += v;
            }
            for (int i = 0; i < result.length; i++) {
                result[i] /= sum;
            }
        }
        return result;
    }
}

  1. 周志华.《机器学习》 ↩︎文章来源地址https://www.toymoban.com/news/detail-580033.html

到了这里,关于基于weka手工实现多层感知机(BPNet)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于weka手工实现ID3决策树

    相比于logistic回归、BP网络、支持向量机等基于超平面的方法,决策树更像一种算法,里面的数学原理并不是很多,较好理解。 决策树就是一个不断地属性选择、属性划分地过程,直到满足某一情况就停止划分。 当前样本全部属于同一类别了(信息增益为0); 已经是空叶子

    2024年02月14日
    浏览(51)
  • 基于weka手工实现逻辑斯谛回归(Logistic回归)

    逻辑斯谛回归模型其实是一种分类模型,这里实现的是参考李航的《统计机器学习》以及周志华的《机器学习》两本教材来整理实现的。 假定我们的输入为 x x x , x x x 可以是多个维度的,我们想要根据 x x x 去预测 y y y , y ∈ { 0 , 1 } yin {0,1} y ∈ { 0 , 1 } 。逻辑斯谛的模型

    2024年02月15日
    浏览(47)
  • 基于weka平台手工实现(LinearRegression | Ridge Regression,岭回归)

    线性回归主要采用最小二乘法来实现,主要思想如下: X = ( x 11 x 12 ⋯ x 1 d 1 x 21 x 22 ⋯ 5 1 ⋮ ⋮ ⋱ ⋮ ⋮ x m 1 x m 2 ⋯ x m d 1 ) X=left( begin{matrix} x_{11} x_{12} cdots x_{1d} 1 \\\\ x_{21} x_{22} cdots 5 1 \\\\ vdots vdots ddots vdots vdots \\\\ x_{m1} x_{m2} cdots x_{md} 1 \\\\ end{matrix} right) X = ​ x 11 ​ x

    2024年02月12日
    浏览(48)
  • 李沐pytorch学习-多层感知机及其实现

            多层感知机就是全连接层神经网络,如图1所示,其中隐含层可以有多层   图1. 多层感知机结构(隐含层与输出层之间为全连接,图中少了几根连接线)         “层”定义为输入权重(weight)与偏差(bias)的组合,如图2所示。   图2. “层”的定义 Input层输入

    2024年02月12日
    浏览(34)
  • PyTorch深度学习实战 | 基于多层感知机模型和随机森林模型的某地房价预测

    简介: 在现实生活中,除了分类问题外,也存在很多需要预测出具体值的回归问题,例如年龄预测、房价预测、股价预测等。相比分类问题而言,回归问题输出类型为一个连续值,如下表所示为两者的区别。在本文中,将完成房价预测这一回归问题。 ■ 分类问题与回归问题

    2023年04月12日
    浏览(52)
  • 深度学习-多层感知器-建立MLP实现非线性二分类-MLP实现图像多分类

    多层感知器模型框架 MLP模型框架 MLP实现多分类预测 Keras Keras是一个用Python编写的用于神经网络开发的应用接口,调用开接口可以实现神经网络、卷积神经网络、循环神经网络等常用深度学习算法的开发 特点: 集成了深度学习中各类成熟的算法,容易安装和使用,样例丰富

    2024年01月24日
    浏览(40)
  • 《动手学深度学习》——多层感知机

    参考资料: 《动手学深度学习》 隐藏层 + 激活函数能够模拟任何连续函数。 4.1.2.1 ReLu函数 ReLU ⁡ ( x ) = max ⁡ ( x , 0 ) operatorname{ReLU}(x) = max(x, 0) ReLU ( x ) = max ( x , 0 ) 当输入为负时,ReLU 的导数为 0 ;当输出为负时,ReLU 的导数为 1 。 ReLU的优势在于它的求导非常简单,要么让

    2024年02月12日
    浏览(56)
  • 学习笔记 | 多层感知机(MLP)、Transformer

    目录 多层感知机(MLP) Transformer  1. inputs 输入 2. Transformer的Encoder         2.1 Multi-Head Attention         2.2 Add&Normalize         2.3 Feed-Forward Networks 3. Transformer的Decoder         3.1Transformer Decoder的输入         3.2 Masked Multi-Head Attention         3.3 基于En

    2024年02月02日
    浏览(41)
  • 多层感知机与深度学习算法概述

    读研之前那会儿我们曾纠结于机器学习、深度学习、神经网络这些概念的异同。现在看来深度学习这一算法竟然容易让人和他的爸爸机器学习搞混…可见深度学习技术的影响力之大。深度学习,作为机器学习家族中目前最有价值的一种算法,正在悄悄改变着世界以及我们生活

    2024年02月09日
    浏览(58)
  • 李沐《动手学深度学习》多层感知机 深度学习相关概念

    李沐《动手学深度学习》预备知识 张量操作及数据处理 李沐《动手学深度学习》预备知识 线性代数及微积分 李沐《动手学深度学习》线性神经网络 线性回归 李沐《动手学深度学习》线性神经网络 softmax回归 李沐《动手学深度学习》多层感知机 模型概念和代码实现 教材:

    2024年01月20日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包