DeepLearning tutorial(3)MLP多层感知机原理简介+代码详解

文/ 散文网 时间: 经验头条

一、多层感知机(MLP)原理简介
多层感知机(MLP,Multilayer Perceptron)也叫人工神经网络(ANN,Artificial Neural Network),除了输入输出层,它中间可以有多个隐层,最简单的MLP只含一个隐层,即三层的结构,如下图:

从上图可以看到,多层感知机层与层之间是全连接的(全连接的意思就是:上一层的任何一个神经元与下一层的所有神经元都有连接)。多层感知机最底层是输入层,中间是隐藏层,最后是输出层。

输入层没什么好说,你输入什么就是什么,比如输入是一个n维向量,就有n个神经元。

隐藏层的神经元怎么得来?首先它与输入层是全连接的,假设输入层用向量X表示,则隐藏层的输出就是

f(W1X+b1),W1是权重(也叫连接系数),b1是偏置,函数f 可以是常用的sigmoid函数或者tanh函数:

       

最后就是输出层,输出层与隐藏层是什么关系?其实隐藏层到输出层可以看成是一个多类别的逻辑回归,也即softmax回归,所以输出层的输出就是softmax(W2X1+b2),X1表示隐藏层的输出f(W1X+b1)。


MLP整个模型就是这样子的,上面说的这个三层的MLP用公式总结起来就是,函数G是softmax

因此,MLP所有的参数就是各个层之间的连接权重以及偏置,包括W1、b1、W2、b2。对于一个具体的问题,怎么确定这些参数?求解最佳的参数是一个最优化问题,解决最优化问题,最简单的就是梯度下降法了(SGD):首先随机初始化所有参数,然后迭代地训练,不断地计算梯度和更新参数,直到满足某个条件为止(比如误差足够小、迭代次数足够多时)。这个过程涉及到代价函数、规则化(Regularization)、学习速率(learning rate)、梯度计算等,本文不详细讨论,读者可以参考本文顶部给出的两个链接。

了解了MLP的基本模型,下面进入代码实现部分。

二、多层感知机(MLP)代码详细解读(基于python+theano)


再次说明,代码来自:Multilayer Perceptron,本文只是做一个详细解读,如有错误,请不吝指出。

这个代码实现的是一个三层的感知机,但是理解了代码之后,实现n层感知机都不是问题,所以只需理解好这个三层的MLP模型即可。概括地说,MLP的输入层X其实就是我们的训练数据,所以输入层不用实现,剩下的就是“输入层到隐含层”,“隐含层到输出层”这两部分。上面介绍原理时已经说到了,“输入层到隐含层”就是一个全连接的层,在下面的代码中我们把这一部分定义为HiddenLayer。“隐含层到输出层”就是一个分类器softmax回归(也有人叫逻辑回归),在下面的代码中我们把这一部分定义为LogisticRegression。

代码详解开始:

(1)导入必要的python模块
主要是numpy、theano,以及python自带的os、sys、time模块,这些模块的使用在下面的程序中会看到。

[python] view plaincopy

import os  
import sys  
import time  
  
import numpy  
  
import theano  
import theano.tensor as T  

(2)定义MLP模型(HiddenLayer+LogisticRegression)
这一部分定义MLP的基本“构件”,即上文一直在提的HiddenLayer和LogisticRegression

HiddenLayer
隐含层我们需要定义连接系数W、偏置b,输入、输出,具体的代码以及解读如下:

[python] view plaincopy

class HiddenLayer(object):  
    def __init__(self, rng, input, n_in, n_out, W=None, b=None,  
                 activation=T.tanh):  
        """ 
注释: 
这是定义隐藏层的类,首先明确:隐藏层的输入即input,输出即隐藏层的神经元个数。输入层与隐藏层是全连接的。 
假设输入是n_in维的向量(也可以说时n_in个神经元),隐藏层有n_out个神经元,则因为是全连接, 
一共有n_in*n_out个权重,故W大小时(n_in,n_out),n_in行n_out列,每一列对应隐藏层的每一个神经元的连接权重。 
b是偏置,隐藏层有n_out个神经元,故b时n_out维向量。 
rng即随机数生成器,numpy.random.RandomState,用于初始化W。 
input训练模型所用到的所有输入,并不是MLP的输入层,MLP的输入层的神经元个数时n_in,而这里的参数input大小是(n_example,n_in),每一行一个样本,即每一行作为MLP的输入层。 
activation:激活函数,这里定义为函数tanh 
        """  
          
        self.input = input   #类HiddenLayer的input即所传递进来的input  
  
""" 
注释: 
代码要兼容GPU,则W、b必须使用 dtype=theano.config.floatX,并且定义为theano.shared 
另外,W的初始化有个规则:如果使用tanh函数,则在-sqrt(6./(n_in+n_hidden))到sqrt(6./(n_in+n_hidden))之间均匀 
抽取数值来初始化W,若时sigmoid函数,则以上再乘4倍。 
"""  
#如果W未初始化,则根据上述方法初始化。  
#加入这个判断的原因是:有时候我们可以用训练好的参数来初始化W,见我的上一篇文章。  
        if W is None:  
            W_values = numpy.asarray(  
                rng.uniform(  
                    low=-numpy.sqrt(6. / (n_in + n_out)),  
                    high=numpy.sqrt(6. / (n_in + n_out)),  
                    size=(n_in, n_out)  
                ),  
                dtype=theano.config.floatX  
            )  
            if activation == theano.tensor.nnet.sigmoid:  
                W_values *= 4  
            W = theano.shared(value=W_values, name='W', borrow=True)  
  
        if b is None:  
            b_values = numpy.zeros((n_out,), dtype=theano.config.floatX)  
            b = theano.shared(value=b_values, name='b', borrow=True)  
  
#用上面定义的W、b来初始化类HiddenLayer的W、b  
        self.W = W  
        self.b = b  
  
#隐含层的输出  
        lin_output = T.dot(input, self.W) + self.b  
        self.output = (  
            lin_output if activation is None  
            else activation(lin_output)  
        )  
  
#隐含层的参数  
        self.params = [self.W, self.b]  

LogisticRegression
逻辑回归(softmax回归),代码详解如下。

(如果你想详细了解softmax回归,可以参考: DeepLearning tutorial(1)Softmax回归原理简介+代码详解)

[python] view plaincopy

""" 
定义分类层,Softmax回归 
在deeplearning tutorial中,直接将LogisticRegression视为Softmax, 
而我们所认识的二类别的逻辑回归就是当n_out=2时的LogisticRegression 
"""  
#参数说明:  
#input,大小就是(n_example,n_in),其中n_example是一个batch的大小,  
#因为我们训练时用的是Minibatch SGD,因此input这样定义  
#n_in,即上一层(隐含层)的输出  
#n_out,输出的类别数   
class LogisticRegression(object):  
    def __init__(self, input, n_in, n_out):  
  
#W大小是n_in行n_out列,b为n_out维向量。即:每个输出对应W的一列以及b的一个元素。    
        self.W = theano.shared(  
            value=numpy.zeros(  
                (n_in, n_out),  
                dtype=theano.config.floatX  
            ),  
            name='W',  
            borrow=True  
        )  
  
        self.b = theano.shared(  
            value=numpy.zeros(  
                (n_out,),  
                dtype=theano.config.floatX  
            ),  
            name='b',  
            borrow=True  
        )  
  
#input是(n_example,n_in),W是(n_in,n_out),点乘得到(n_example,n_out),加上偏置b,  
#再作为T.nnet.softmax的输入,得到p_y_given_x  
#故p_y_given_x每一行代表每一个样本被估计为各类别的概率      
#PS:b是n_out维向量,与(n_example,n_out)矩阵相加,内部其实是先复制n_example个b,  
#然后(n_example,n_out)矩阵的每一行都加b  
        self.p_y_given_x = T.nnet.softmax(T.dot(input, self.W) + self.b)  
  
#argmax返回最大值下标,因为本例数据集是MNIST,下标刚好就是类别。axis=1表示按行操作。  
        self.y_pred = T.argmax(self.p_y_given_x, axis=1)  
  
#params,LogisticRegression的参数       
        self.params = [self.W, self.b]  

ok!这两个基本“构件”做好了,现在我们可以将它们“组装”在一起。

我们要三层的MLP,则只需要HiddenLayer+LogisticRegression,

如果要四层的MLP,则为HiddenLayer+HiddenLayer+LogisticRegression........以此类推。

下面是三层的MLP:

[python] view plaincopy

#3层的MLP  
class MLP(object):  
    def __init__(self, rng, input, n_in, n_hidden, n_out):  
          
        self.hiddenLayer = HiddenLayer(  
            rng=rng,  
            input=input,  
            n_in=n_in,  
            n_out=n_hidden,  
            activation=T.tanh  
        )  
  
#将隐含层hiddenLayer的输出作为分类层logRegressionLayer的输入,这样就把它们连接了  
        self.logRegressionLayer = LogisticRegression(  
            input=self.hiddenLayer.output,  
            n_in=n_hidden,  
            n_out=n_out  
        )  
  
  
#以上已经定义好MLP的基本结构,下面是MLP模型的其他参数或者函数  
  
#规则化项:常见的L1、L2_sqr  
        self.L1 = (  
            abs(self.hiddenLayer.W).sum()  
            + abs(self.logRegressionLayer.W).sum()  
        )  
  
        self.L2_sqr = (  
            (self.hiddenLayer.W ** 2).sum()  
            + (self.logRegressionLayer.W ** 2).sum()  
        )  
  
  
#损失函数Nll(也叫代价函数)  
        self.negative_log_likelihood = (  
            self.logRegressionLayer.negative_log_likelihood  
        )  
  
#误差        
        self.errors = self.logRegressionLayer.errors  
  
#MLP的参数  
        self.params = self.hiddenLayer.params + self.logRegressionLayer.params  
        # end-snippet-3  


MLP类里面除了隐含层和分类层,还定义了损失函数、规则化项,这是在求解优化算法时用到的。

(3)将MLP应用于MNIST(手写数字识别)
上面定义好了一个三层的MLP,接下来使用它在MNIST数据集上分类,MNIST是一个手写数字0~9的数据集。

首先定义加载数据 mnist.pkl.gz 的函数load_data():

[python] view plaincopy

""" 
加载MNIST数据集 
"""  
def load_data(dataset):  
    # dataset是数据集的路径,程序首先检测该路径下有没有MNIST数据集,没有的话就下载MNIST数据集  
    #这一部分就不解释了,与softmax回归算法无关。  
    data_dir, data_file = os.path.split(dataset)  
    if data_dir == "" and not os.path.isfile(dataset):  
        # Check if dataset is in the data directory.  
        new_path = os.path.join(  
            os.path.split(__file__)[0],  
            "..",  
            "data",  
            dataset  
        )  
        if os.path.isfile(new_path) or data_file == 'mnist.pkl.gz':  
            dataset = new_path  
  
    if (not os.path.isfile(dataset)) and data_file == 'mnist.pkl.gz':  
        import urllib  
        origin = (  
            'http://www.iro.umontreal.ca/~lisa/deep/data/mnist/mnist.pkl.gz'  
        )  
        print 'Downloading data from %s' % origin  
        urllib.urlretrieve(origin, dataset)  
  
    print '... loading data'  
#以上是检测并下载数据集mnist.pkl.gz,不是本文重点。下面才是load_data的开始  
      
#从"mnist.pkl.gz"里加载train_set, valid_set, test_set,它们都是包括label的  
#主要用到python里的gzip.open()函数,以及 cPickle.load()。  
#‘rb’表示以二进制可读的方式打开文件  
    f = gzip.open(dataset, 'rb')  
    train_set, valid_set, test_set = cPickle.load(f)  
    f.close()  
     
  
#将数据设置成shared variables,主要时为了GPU加速,只有shared variables才能存到GPU memory中  
#GPU里数据类型只能是float。而data_y是类别,所以最后又转换为int返回  
    def shared_dataset(data_xy, borrow=True):  
        data_x, data_y = data_xy  
        shared_x = theano.shared(numpy.asarray(data_x,  
                                               dtype=theano.config.floatX),  
                                 borrow=borrow)  
        shared_y = theano.shared(numpy.asarray(data_y,  
                                               dtype=theano.config.floatX),  
                                 borrow=borrow)  
        return shared_x, T.cast(shared_y, 'int32')  
  
  
    test_set_x, test_set_y = shared_dataset(test_set)  
    valid_set_x, valid_set_y = shared_dataset(valid_set)  
    train_set_x, train_set_y = shared_dataset(train_set)  
  
    rval = [(train_set_x, train_set_y), (valid_set_x, valid_set_y),  
            (test_set_x, test_set_y)]  
    return rval  

加载了数据,可以开始训练这个模型了,以下就是主体函数test_mlp(),将MLP用在MNIST上:

[python] view plaincopy

#test_mlp是一个应用实例,用梯度下降来优化MLP,针对MNIST数据集  
def test_mlp(learning_rate=0.01, L1_reg=0.00, L2_reg=0.0001, n_epochs=10,  
             dataset='mnist.pkl.gz', batch_size=20, n_hidden=500):  
    """ 
注释: 
learning_rate学习速率,梯度前的系数。 
L1_reg、L2_reg:正则化项前的系数,权衡正则化项与Nll项的比重 
代价函数=Nll+L1_reg*L1或者L2_reg*L2_sqr 
n_epochs:迭代的最大次数(即训练步数),用于结束优化过程 
dataset:训练数据的路径 
n_hidden:隐藏层神经元个数 
batch_size=20,即每训练完20个样本才计算梯度并更新参数 
   """  
  
#加载数据集,并分为训练集、验证集、测试集。  
    datasets = load_data(dataset)  
    train_set_x, train_set_y = datasets[0]  
    valid_set_x, valid_set_y = datasets[1]  
    test_set_x, test_set_y = datasets[2]  
  
  
#shape[0]获得行数,一行代表一个样本,故获取的是样本数,除以batch_size可以得到有多少个batch  
    n_train_batches = train_set_x.get_value(borrow=True).shape[0] / batch_size  
    n_valid_batches = valid_set_x.get_value(borrow=True).shape[0] / batch_size  
    n_test_batches = test_set_x.get_value(borrow=True).shape[0] / batch_size  
  
    ######################  
    # BUILD ACTUAL MODEL #  
    ######################  
    print '... building the model'  
  
#index表示batch的下标,标量  
#x表示数据集  
#y表示类别,一维向量  
    index = T.lscalar()    
    x = T.matrix('x')   
    y = T.ivector('y')    
                         
  
    rng = numpy.random.RandomState(1234)  
#生成一个MLP,命名为classifier  
    classifier = MLP(  
        rng=rng,  
        input=x,  
        n_in=28 * 28,  
        n_hidden=n_hidden,  
        n_out=10  
    )  
  
#代价函数,有规则化项  
#用y来初始化,而其实还有一个隐含的参数x在classifier中  
    cost = (  
        classifier.negative_log_likelihood(y)  
        + L1_reg * classifier.L1  
        + L2_reg * classifier.L2_sqr  
    )  
  
  
#这里必须说明一下theano的function函数,givens是字典,其中的x、y是key,冒号后面是它们的value。  
#在function被调用时,x、y将被具体地替换为它们的value,而value里的参数index就是inputs=[index]这里给出。  
#下面举个例子:  
#比如test_model(1),首先根据index=1具体化x为test_set_x[1 * batch_size: (1 + 1) * batch_size],  
#具体化y为test_set_y[1 * batch_size: (1 + 1) * batch_size]。然后函数计算outputs=classifier.errors(y),  
#这里面有参数y和隐含的x,所以就将givens里面具体化的x、y传递进去。  
    test_model = theano.function(  
        inputs=[index],  
        outputs=classifier.errors(y),  
        givens={  
            x: test_set_x[index * batch_size:(index + 1) * batch_size],  
            y: test_set_y[index * batch_size:(index + 1) * batch_size]  
        }  
    )  
  
    validate_model = theano.function(  
        inputs=[index],  
        outputs=classifier.errors(y),  
        givens={  
            x: valid_set_x[index * batch_size:(index + 1) * batch_size],  
            y: valid_set_y[index * batch_size:(index + 1) * batch_size]  
        }  
    )  
  
#cost函数对各个参数的偏导数值,即梯度,存于gparams  
    gparams = [T.grad(cost, param) for param in classifier.params]  
      
#参数更新规则  
#updates[(),(),()....],每个括号里面都是(param, param - learning_rate * gparam),即每个参数以及它的更新公式  
    updates = [  
        (param, param - learning_rate * gparam)  
        for param, gparam in zip(classifier.params, gparams)  
    ]  
  
    train_model = theano.function(  
        inputs=[index],  
        outputs=cost,  
        updates=updates,  
        givens={  
            x: train_set_x[index * batch_size: (index + 1) * batch_size],  
            y: train_set_y[index * batch_size: (index + 1) * batch_size]  
        }  
    )  
  
  
    ###############  
    # 开始训练模型 #  
    ###############  
    print '... training'  
      
  
  
    patience = 10000    
    patience_increase = 2    
#提高的阈值,在验证误差减小到之前的0.995倍时,会更新best_validation_loss    
    improvement_threshold = 0.995    
#这样设置validation_frequency可以保证每一次epoch都会在验证集上测试。    
    validation_frequency = min(n_train_batches, patience / 2)  
    
  
    best_validation_loss = numpy.inf  
    best_iter = 0  
    test_score = 0.  
    start_time = time.clock()  
      
#epoch即训练步数,每个epoch都会遍历所有训练数据  
    epoch = 0  
    done_looping = False  
  
  
#下面就是训练过程了,while循环控制的时步数epoch,一个epoch会遍历所有的batch,即所有的图片。  
#for循环是遍历一个个batch,一次一个batch地训练。for循环体里会用train_model(minibatch_index)去训练模型,  
#train_model里面的updatas会更新各个参数。  
#for循环里面会累加训练过的batch数iter,当iter是validation_frequency倍数时则会在验证集上测试,  
#如果验证集的损失this_validation_loss小于之前最佳的损失best_validation_loss,  
#则更新best_validation_loss和best_iter,同时在testset上测试。  
#如果验证集的损失this_validation_loss小于best_validation_loss*improvement_threshold时则更新patience。  
#当达到最大步数n_epoch时,或者patience<iter时,结束训练  
    while (epoch < n_epochs) and (not done_looping):  
        epoch = epoch + 1  
        for minibatch_index in xrange(n_train_batches):#训练时一个batch一个batch进行的  
  
            minibatch_avg_cost = train_model(minibatch_index)  
            # 已训练过的minibatch数,即迭代次数iter  
            iter = (epoch - 1) * n_train_batches + minibatch_index  
#训练过的minibatch数是validation_frequency倍数,则进行交叉验证  
            if (iter + 1) % validation_frequency == 0:  
                # compute zero-one loss on validation set  
                validation_losses = [validate_model(i) for i  
                                     in xrange(n_valid_batches)]  
                this_validation_loss = numpy.mean(validation_losses)  
  
                print(  
                    'epoch %i, minibatch %i/%i, validation error %f %%' %  
                    (  
                        epoch,  
                        minibatch_index + 1,  
                        n_train_batches,  
                        this_validation_loss * 100.  
                    )  
                )  
#当前验证误差比之前的都小,则更新best_validation_loss,以及对应的best_iter,并且在tsetdata上进行test  
                if this_validation_loss < best_validation_loss:  
                    if (  
                        this_validation_loss < best_validation_loss *  
                        improvement_threshold  
                    ):  
                        patience = max(patience, iter * patience_increase)  
  
                    best_validation_loss = this_validation_loss  
                    best_iter = iter  
  
                    test_losses = [test_model(i) for i  
                                   in xrange(n_test_batches)]  
                    test_score = numpy.mean(test_losses)  
  
                    print(('     epoch %i, minibatch %i/%i, test error of '  
                           'best model %f %%') %  
                          (epoch, minibatch_index + 1, n_train_batches,  
                           test_score * 100.))  
#patience小于等于iter,则终止训练  
            if patience <= iter:  
                done_looping = True  
                break  
  
    end_time = time.clock()  
    print(('Optimization complete. Best validation score of %f %% '  
           'obtained at iteration %i, with test performance %f %%') %  
          (best_validation_loss * 100., best_iter + 1, test_score * 100.))  
    print >> sys.stderr, ('The code for file ' +  
                          os.path.split(__file__)[1] +  
                          ' ran for %.2fm' % ((end_time - start_time) / 60.))  

    DeepLearning tutorial(3)MLP多层感知机原理简介+代码详解相关文章:

    淮南子简介

    三国演义中主要人物介绍,三国演义中 十五个人物简介

    宋代诗人杨万里简介及代表作

    南宋诗人杨万里简介及其代表作

    庄子简介

    项羽简介

    《DeepLearning tutorial(3)MLP多层感知机原理简介+代码详解》

    一、多层感知机(MLP)原理简介多层感知机(MLP,Multilayer Perceptron)也叫人工神经网络(ANN,Artificial Neural Network),除了输入输出层,它中间可以有多个隐层,最简单的MLP只含一个隐
    推荐度:
    点击下载文档文档为doc格式