神经网络三

不念不忘少年蓝@ 2022-06-08 06:18 262阅读 0赞

4.4 CNeuralNet.h（神经网络类的头文件）  
　　在CNeuralNet.h 文件中，我们定义了人工神经细胞的结构、定义了人工神经细胞的层的结构、以及人工神经网络本身的结构。首先我们来考察人工神经细胞的结构。

**4.4.1 SNeuron（神经细胞的结构）**

**　　 这是很简单的结构。人工神经细胞的结构中必须有一个正整数来纪录它有多少个输入，还需要有一个向量std:vector来表示它的权重。请记住，神经细胞的每一个输入都要有一个对应的权重。**

**Struct SNeuron  
\{  
// 进入神经细胞的输入个数  
int m\_NumInputs;  
  
// 为每一输入提供的权重  
vector<double> m\_vecWeight;  
  
//构造函数  
SNeuron(int NumInputs);  
\};**

**以下就是SNeuron 结构体的构造函数形式:**

**SNeuron::SNeuron(int NumInputs): m\_NumInputs(NumInputs+1)  
(  
// 我们要为偏移值也附加一个权重，因此输入数目上要 +1  
for (int i=0; i<NumInputs+1; ++i)  
\{  
// 把权重初始化为任意的值  
m\_vecWeight.push\_back(RandomClamped());  
\}  
\}  
 　　由上可以看出，构造函数把送进神经细胞的输入数目NumInputs作为一个变元，并为每个输入创建一个随机的权重。所有权重值在-1和1之间。  
  
这是什么？我听见你在说。这里多出了一个权重！不错，我很高兴看到你能注意到这一点，因为这一个附加的权重十分重要。但要解释它为什么在那里，我必须更多地介绍一些数学知识。回忆一下你就能记得，激励值是所有输入\*权重的乘积的总和，而神经细胞的输出值取决于这个激励值是否超过某个阀值(t)。这可以用如下的方程来表示:**

**w1x1 \+ w2x2 \+ w3x3 \+...+ wnxn >= t**

**　　上式是使细胞输出为１的条件。因为网络的所有权重需要不断演化（进化），如果阀值的数据也能一起演化，那将是非常重要的。要实现这一点不难，你使用一个简单的诡计就可以让阀值变成权重的形式。从上面的方程两边各减去t，得:**

**w1x1 \+ w2x2 \+ w3x3 \+...+ wnxn –t >= 0**

**这个方程可以再换用一种形式写出来，如下:**

**w1x1 \+ w2x2 \+ w3x3 \+...+ wnxn\+ t \*(–1) >= 0**

**　　到此，我希望你已能看出，阀值t为什么可以想像成为始终乘以输入为 -１的权重了。这个特殊的权重通常叫偏移（bias），这就是为什么每个神经细胞初始化时都要增加一个权重的理由。现在，当你演化一个网络时，你就不必再考虑阀值问题，因为它已被内建在权重向量中了。怎么样，想法不错吧？为了让你心中绝对敲定你所学到的新的人工神经细胞是什么样子，请再参看一下图12。**

**![fig_2007.12.jpg][]**

**图12 带偏移的人工神经细胞。**

**4.4.2 SNeuronLayer（神经细胞层的结构）  
　　 神经细胞层SNeuronLayer的结构很简单；它定义了一个如图13中所示的由虚线包围的神经细胞SNeuron所组成的层。**

**![fig_2007.13.jpg][]**

**　　　　　图13 一个神经细胞层。**

**　　以下就是层的定义的源代码，它应该不再需要任何进一步的解释:**

**struct SNeuronLayer  
\{  
　// 本层使用的神经细胞数目  
　 int 　　　 m\_NumNeurons;  
  
// 神经细胞的层  
　 vector<SNeuron> m\_vecNeurons;  
  
　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);  
\}；**

**4.4.3 CNeuralNet（神经网络类）**

**　　这是创建神经网络对象的类。让我们来通读一下这一个类的定义:**

**class CNeuralNet  
\{  
private:  
int m\_NumInputs;**

**int m\_NumOutputs;**

**int m\_NumHiddenLayers;**

**int 　　m\_NeuronsPerHiddenLyr;**

**// 为每一层（包括输出层）存放所有神经细胞的存储器  
vector<SNeuronLayer> m\_vecLayers;**

**　　所有private成员由其名称容易得到理解。需要由本类定义的就是输入的个数、输出的个数、隐藏层的数目、以及每个隐藏层中神经细胞的个数等几个参数。**

**public:**

**CNeuralNet();**

**该构造函数利用ini文件来初始化所有的Private成员变量，然后再调用CreateNet来创建网络。**

**// 由SNeurons创建网络  
void CreateNet();**

**我过一会儿马上就会告诉你这个函数的代码。  
  
 // 从神经网络得到（读出）权重  
vector<double> GetWeights()const;**

**　　由于网络的权重需要演化，所以必须创建一个方法来返回所有的权重。这些权重在网络中是以实数型向量形式表示的，我们将把这些实数表示的权重编码到一个基因组中。当我开始谈论本工程的遗传算法时，我将为您确切说明权重如何进行编码。  
  
 // 返回网络的权重的总数  
int GetNumberOfWeights()const;**

**// 用新的权重代替原有的权重  
void PutWeights(vector<double> &weights);  
  
 这一函数所做的工作与函数GetWeights所做的正好相反。当遗传算法执行完一代时，新一代的权重必须重新插入神经网络。为我们完成这一任务的是PutWeight方法。  
  
// S形响应曲线  
inline double 　Sigmoid(double activation, double response);  
  
 当已知一个神经细胞的所有输入\*重量的乘积之和时，这一方法将它送入到S形的激励函数。  
  
// 根据一组输入，来计算输出  
vector<double> Update(vector<double> &inputs);**

**对此Update函数函数我马上就会来进行注释的。**

**\}; // 类定义结束**

**4.4.3.1 CNeuralNet::CreateNet（创建神经网络的方法）**

**　　我在前面没有对CNeuralNet的2个方法加以注释，这是因为我要为你显示它们的更完整的代码。这2个方法的第一个是网络创建方法CreateNet。它的工作就是把由细胞层SNeuronLayers所收集的神经细胞SNeurons聚在一起来组成整个神经网络，代码为:  
  
void CNeuralNet::CreateNet()  
\{  
// 创建网络的各个层  
if (m\_NumHiddenLayers > 0)  
\{  
//创建第一个隐藏层［译注］  
m\_vecLayers.push\_back(SNeuronLayer(m\_NeuronsPerHiddenLyr,  
m\_NumInputs));  
  
for( int i=0; i<m\_NumHiddenLayers-l; ++i)  
\{  
m\_vecLayers.push\_back(SNeuronLayer(m\_NeuronsPerHiddenLyr，  
m\_NeuronsPerHiddenLyr));  
\}  
  
［译注］如果允许有多个隐藏层，则由接着for循环即能创建其余的隐藏层。  
 // 创建输出层  
m\_vecLayers.push\_back(SNeuronLayer(m\_NumOutput,m\_NeuronsPerHiddenLyr));  
\}**

**else //无隐藏层时，只需创建输出层  
\{  
// 创建输出层  
m\_vecLayers.push\_back(SNeuronLayer(m\_NumOutputs, m\_NumInputs));  
\}  
\}**

**4.4.3.2 CNeuralNet::Update（神经网络的更新方法）**

**　　Update函数(更新函数)称得上是神经网络的“主要劳动力”了。这里，输入网络的数据input是以双精度向量std::vector的数据格式传递进来的。Update函数通过对每个层的循环来处理输入\*权重的相乘与求和，再以所得的和数作为激励值，通过S形函数来计算出每个神经细胞的输出，正如我们前面最后几页中所讨论的那样。Update函数返回的也是一个双精度向量std::vector，它对应的就是人工神经网络的所有输出。**

**请你自己花两分钟或差不多的时间来熟悉一下如下的Update函数的代码，这能使你正确理解我们继续要讲的其他内容:**

**vector<double> CNeuralNet::Update(vector<double> &inputs)  
\{  
// 保存从每一层产生的输出  
vector<double> outputs;**

**int cWeight = 0;**

**// 首先检查输入的个数是否正确  
if (inputs.size() != m\_NumInputs)  
\{  
// 如果不正确，就返回一个空向量  
return outputs;  
\}  
  
// 对每一层,...  
for (int i=0; i<m\_NumHiddenLayers+1; ++i)  
\{  
if (i>0)  
\{  
inputs = outputs;  
\}  
outputs.clear();  
  
cWeight = 0;  
  
// 对每个神经细胞,求输入\*对应权重乘积之总和。并将总和抛给S形函数,以计算输出  
for (int j=0; j<m\_vecLayers\[i\].m\_NumNeurons; ++j)  
\{  
double netinput = 0;  
  
int NumInputs = m\_vecLayers\[i\].m\_vecNeurons\[j\].m\_NumInputs;  
  
// 对每一个权重  
for (int k=0; k<NumInputs-l; ++k)  
\{  
// 计算权重\*输入的乘积的总和。  
netinput += m\_vecLayers\[i\].m\_vecNeurons\[j\].m\_vecWeight\[k\] \*  
　 　　　　　 inputs\[cWeight++\];  
\}  
  
// 加入偏移值  
netinput += m\_vecLayers\[i\].m\_vecNeurons\[j\].m\_vecWeight\[NumInputs-1\] \*  
CParams::dBias;**

**　　别忘记每个神经细胞的权重向量的最后一个权重实际是偏移值，这我们已经说明过了，我们总是将它设置成为 –1的。我已经在ini文件中包含了偏移值，你可以围绕它来做文章，考察它对你创建的网络的功能有什么影响。不过，这个值通常是不应该改变的。**

**// 每一层的输出，当我们产生了它们后，我们就要将它们保存起来。但用Σ累加在一起的  
// 激励总值首先要通过S形函数的过滤，才能得到输出  
outputs.push\_back(Sigmoid(netinput,CParams::dActivationResponse)); cWeight = 0:  
\}  
\}**

**return outputs;  
\}**

[fig_2007.12.jpg]: /images/20220608/1aefe89f89b24185a40d459e7c2684dd.png
[fig_2007.13.jpg]: /images/20220608/2cebe305f2114464b30370afe5139d89.png