编者按:本文节选自图灵程序设计丛书 《深度学习入门》一书中的部分章节。
现在我们来进行神经网络的实现。这里我们以图 1 的 3 层神经网络为对象,实现从输入到输出的(前向)处理。在代码实现方面,使用上一节介绍的 NumPy 多维数组。巧妙地使用 NumPy 数组,可以用很少的代码完成神经网络的前向处理。
图 1 3 层神经网络:输入层(第 0 层)有 2 个神经元,第 1 个隐藏层(第 1 层)有 3 个神经元,第 2 个隐藏层(第 2 层)有 2 个神经元,输出层(第 3 层)有 2 个神经元
符号确认
在介绍神经网络中的处理之前,我们先导入 $w^{(1)}{12}a^{(1)}{1}$ 等符号。这些符号可能看上去有些复杂,不过因为只在本节使用,稍微读一下就跳过去也问题不大。
本节的重点是神经网络的运算可以作为矩阵运算打包进行。因为神经网络各层的运算是通过矩阵的乘法运算打包进行的(从宏观视角来考虑),所以即便忘了(未记忆)具体的符号规则,也不影响理解后面的内容。
我们先从定义符号开始。请看图 2。图 2 中只突出显示了从输入层神经元 到后一层的神经元 的权重。
如图 2 所示,权重和隐藏层的神经元的右上角有一个“(1)”,它表示权重和神经元的层号(即第 1 层的权重、第 1 层的神经元)。此外,权重的右下角有两个数字,它们是后一层的神经元和前一层的神经元的索引号。比如,$w^{(1)}{12}x_2a^{(1)}{1}$ 的权重。权重右下角按照“后一层的索引号、前一层的索引号”的顺序排列。
图 2 权重的符号
各层间信号传递的实现
现在看一下从输入层到第 1 层的第 1 个神经元的信号传递过程,如图 3 所示。
图 3 从输入层到第 1 层的信号传递
图 3 中增加了表示偏置的神经元“1”。请注意,偏置的右下角的索引号只有一个。这是因为前一层的偏置神经元(神经元“1”)只有一个 1。
1 任何前一层的偏置神经元“1”都只有一个。偏置权重的数量取决于后一层的神经元的数量(不包括后一层的偏置神经元“1”)。——译者注
为了确认前面的内容,现在用数学式表示 $a^{(1)}{1}a^{(1)}{1}$ 通过加权信号和偏置的和按如下方式进行计算。
$a^{(1)}{1}=w^{(1)}{11}x_1+w^{(1)}{12}x_2+b^{(1)}{1}\quad\quad\quad\quad\quad(3.8)$
此外,如果使用矩阵的乘法运算,则可以将第 1 层的加权和表示成下面的式(3.9)。
其中,、、、 如下所示。
$\begin{aligned}&\boldsymbol{A}^{(1)}=\Bigl(a_1^{(1)}~~~a_2^{(1)}~a_3^{(1)}\Bigr),~\boldsymbol{X}=\Bigl(x_1~x_2\Bigr),~\boldsymbol{B}^{(1)}=\Bigl(b_1^{(1)}~~~b_2^{(1)}~~~b_3^{(1)}\Bigr)\&\boldsymbol{W}^{(1)}=\begin{pmatrix}w^{(1)}{11}&w^{(1)}{21}&w^{(1)}{31}\w^{(1)}{12}&w^{(1)}{22}&w^{(1)}{32}\end{pmatrix}\end{aligned}$
下面我们用 NumPy 多维数组来实现式(3.9),这里将输入信号、权重、偏置设置成任意值。
这个运算和上一节进行的运算是一样的。W1
是 2 × 3 的数组,X
是元素个数为 2 的一维数组。这里,W1
和 X
的对应维度的元素个数也保持了一致。
接下来,我们观察第 1 层中激活函数的计算过程。如果把这个计算过程用图来表示的话,则如图 4 所示。
图 4 从输入层到第 1 层的信号传递
如图 4 所示,隐藏层的加权和(加权信号和偏置的总和)用 表示,被激活函数转换后的信号用 表示。此外,图中 表示激活函数,这里我们使用的是 sigmoid 函数。用 Python 来实现,代码如下所示。
这个 sigmoid()
函数就是之前定义的那个函数。它会接收 NumPy 数组,并返回元素个数相同的 NumPy 数组。
下面,我们来实现第 1 层到第 2 层的信号传递(图 5)。
除了第 1 层的输出(Z1
)变成了第 2 层的输入这一点以外,这个实现和刚才的代码完全相同。由此可知,通过使用 NumPy 数组,可以将层到层的信号传递过程简单地写出来。
图 5 第 1 层到第 2 层的信号传递
最后是第 2 层到输出层的信号传递(图 6)。输出层的实现也和之前的实现基本相同。不过,最后的激活函数和之前的隐藏层有所不同。
这里我们定义了 identity_function()
函数(也称为“恒等函数”),并将其作为输出层的激活函数。恒等函数会将输入按原样输出,因此,这个例子中没有必要特意定义 identity_function()
。这里这样实现只是为了和之前的流程保持统一。另外,图 6 中,输出层的激活函数用 表示,不同于隐藏层的激活函数 ( 读作 sigma)。
图 6 从第 2 层到输出层的信号传递
输出层所用的激活函数,要根据求解问题的性质决定。一般地,回归问题可以使用恒等函数,二元分类问题可以使用 sigmoid 函数,多元分类问题可以使用 softmax 函数。关于输出层的激活函数,我们将在下一节详细介绍。
代码实现小结
至此,我们已经介绍完了 3 层神经网络的实现。现在我们把之前的代码实现全部整理一下。这里,我们按照神经网络的实现惯例,只把权重记为大写字母 W1
,其他的(偏置或中间结果等)都用小写字母表示。
这里定义了 init_network()
和 forward()
函数。init_network()
函数会进行权重和偏置的初始化,并将它们保存在字典变量 network
中。这个字典变量 network
中保存了每一层所需的参数(权重和偏置)。forward()
函数中则封装了将输入信号转换为输出信号的处理过程。
另外,这里出现了 forward(前向)一词,它表示的是从输入到输出方向的传递处理。后面在进行神经网络的训练时,我们将介绍后向(backward,从输出到输入方向)的处理。
至此,神经网络的前向处理的实现就完成了。通过巧妙地使用 NumPy 多维数组,我们高效地实现了神经网络。
图书简介:https://www.ituring.com.cn/book/1921
相关阅读
评论