基于sympy的python实现三层BP神经网络算法

以你之姓@ 2022-10-12 05:47 191阅读 0赞

#!/usr/bin/python
    # -*- coding: utf-8 -*-
    """
    写一个三层的BP神经网络（3，2，1）,3是输入数据的维度，隐层设置节点数为2，1是因为每个观测的target都是一个标量即只有一个数；
    1.随机生成两个随机矩阵作为三个层之间的连接权值，注意矩阵大小设置；设定误差阈值等参数
    2.使用i=random.randint(0,len(x)-1)随机产生一个样品的输入及target
    3.使用权值w1,w2,sigmoid函数、diffsigmoid函数计算隐层和输出层的输入，输出
    4.利用上面的随机样品的实际输出和期望输出之差e，用e求偏导de/dwho、de/dwih
    5.梯度下降法更新权值w1,w2
    6.再次计算全局误差，若满足设定的误差阈值，返回当前权值；否则重算
    """
    print(__doc__)
    import random
    from sympy import *
    import numpy as np
    import pandas as pd
    data=pd.read_csv("wenzi.csv",header='infer')
    data=np.mat(data)
    x=data[:, :3]
    y=data[:, 3]
    
    #激活函数
    def sigmoid(x):
        return ( 1/(1+np.exp(-x)) )
    #激活函数的导函数
    def diffsigmoid(x):
        return (1- 1/(1+np.exp(-x)) )*( 1/(1+np.exp(-x)) )
    
    def upgrade_w1_w2(): #i是随机选取的一个样本
        erro=0.01 #误差
        n_iter=500 #迭代次数
        learnrate=0.1 #学习率
    
    global w1,w2,b1,b2
    w1= 0.5 * np.random.rand(2,3) - 0.1
    b1= 0.5 * np.random.rand(2,1) - 0.1
    w2= 0.5 * np.random.rand(1,2) - 0.1
    b2= 0.5 * np.random.rand(1,1) - 0.1
    
    
    """
    随机抽取一个样本计算两个偏导de/dwih 、de/dwoh
    """
    i=random.randint(0,len(x)-1)
    obs =np.array(x[i] )
    
    hidden_input_1=np.dot(w1[0],obs.T) - b1[0]
    hidden_input_2=w1[1].dot(obs.T)-b1[1]
    
    hidden_output_1=sigmoid(hidden_input_1)
    hidden_output_2=sigmoid(hidden_input_2)
    
    hidden_output_array=[float(hidden_output_1),float(hidden_output_2)]
    
    outlayer_input=np.dot(w2[0] ,(hidden_output_array)) - b2[0] #输出层只有一个节点
    outlayer_output=sigmoid(outlayer_input)
    
    expect_output=y[i]
    loss=expect_output - outlayer_output
    sigma_t_k_1=-(expect_output-sigmoid(outlayer_input)) * diffsigmoid(outlayer_input)
    
    A=sigma_t_k_1 * hidden_output_array #de/dwho
    print("sigma_t_k_1\n",sigma_t_k_1)
    print('隐层的输出向量',hidden_output_array )
    a=np.array(sum(-(sigma_t_k_1)))
    
    print("sum(-(sigma_t_k_1)* w1) * obs",a*w1[0] * obs )
    
    B1=diffsigmoid(hidden_input_1) * a* w1[0] * obs
    
    B2=diffsigmoid(hidden_input_2) * a* w1[1] * obs
    
    """
    计算全局误差
    """
    
    while True:
        for j in range(len(x)):
            obs =x[j]
            hidden_input_1=np.mat(w1[0]).dot(obs.T) - b1[0] #隐层第一个节点上的输入
            hidden_input_2=np.mat(w1[1]).dot(obs.T) - b1[1] #隐层第二个节点上的输入
            hidden_output_1=sigmoid(hidden_input_1) #隐层第一个节点上的输出
            hidden_output_2=sigmoid(hidden_input_2) #隐层第二个节点上的输出
            hidden_output_array=[float(hidden_output_1),float(hidden_output_2)]
            outlayer_input_1=w2[0].dot(hidden_output_array)-b2[0] #输出层的输入
            outlayer_output_1=sigmoid(outlayer_input_1) #输入层的输出
            expect_output=y[i] #期望输出就是每个观测的target数值
            totalloss= [] #建立空列表用以求和
            loss=expect_output - outlayer_output_1 #loss是每个观测的期望输出与实际输出的差
            totalloss.append(loss) #
            totalloss=np.array(totalloss) #把列表转化为数组才能进行点乘
        
        
        """
        如果全局误差大于阈值就要更新权重
        """
        if 0.5*totalloss.dot(totalloss) > erro:
            print("误差大于给定的阈值")
        
        new_w2_0=w2[0]-learnrate* (sigma_t_k_1 * hidden_output_array)
        new_w2=new_w2_0
        w2=new_w2
        
        new_w1_0=np.array(w1[0]-learnrate*B1)
        new_w1_1=np.array(w1[1]-learnrate*B2)
        w1=np.vstack((new_w1_0,new_w1_1))
        
        print("误差大于阈值时的全局损失; ",0.5*totalloss.dot(totalloss))
        print("误差大于阈值时的实际输出",sigmoid(outlayer_output_1))
        print("误差大于阈值时的w1权值矩阵：\n",w1)
        print("误差大于阈值时的w2权值矩阵：\n",w2)
        
        """
        如果全局误差小于阈值就返回目前权
        """
        if 0.5*totalloss.dot(totalloss)<= erro:
            print("\n误差满足要求！")
            w1=np.mat(w1)
            print("到更新的w1矩阵",w1 )
            
            print("得到更新的w2矩阵",w2)
            
            print("全局损失; ",0.5*totalloss.dot(totalloss))
            break
        
        upgrade_w1_w2() #调用函数
        
        def classfier(test):
            obs =test[0:,:3]
            hi_1=np.mat(w1[0]).dot(obs.T) - b1[0]
            hi_2=np.mat(w1[1]).dot(obs.T) - b1[1]
            ho_1=sigmoid(hi_1)
            ho_2=sigmoid(hi_2)
            hidden_output_array=[float(hi_1),float(hi_2)]
            outlayer_input_1=w2[0].dot(hidden_output_array)-b2[0]
            outlayer_output_1=sigmoid(outlayer_input_1)
            print("经过最终神经网络训练后，输出层的实际输出：", outlayer_output_1)
            if outlayer_output_1>0.45:
                print("该测试样本和0.9代表的类别更接近")
            if outlayer_output_1<0.45:
                print("该测试样本和0.1代表的类别更接近")
            if outlayer_output_1==0.45:
                print("该测试样本可被任意归为两个类别之一")
        
        classfier(np.mat([[1.82,1.54,0]]))
        #这里的测试样本[[2.08,1.56,0]]是我从原先14个样本中挑选的，训练集有13个，留了1个作为测试，该样本的target的确是0.1
        #说明我们训练出的BP神经网络模型有可信度，训练集如下图所示，最后一列是target目标值