首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

60行代码徒手实现深度神经网络

01

准备数据集

采用的数据集是sklearn中的breast cancer数据集,30维特征,569个样本。训练前进行MinMax标准化缩放至[0,1]区间。按照75/25比例划分成训练集和验证集。

代码语言:javascript
复制
# 获取数据集 import numpy as np import pandas as pd from sklearn import datasets from sklearn import preprocessing from sklearn.model_selection import train_test_split breast = datasets.load_breast_cancer() scaler = preprocessing.MinMaxScaler() data = scaler.fit_transform(breast['data']) target = breast['target'] X_train,X_test,y_train,y_test = train_test_split(data,target) 

02

模型结构图

03

正反传播公式

04

NN实现代码

代码语言:javascript
复制
import numpy as np import pandas as pd #定义激活函数 ReLu = lambda z:np.maximum(0.0,z) d_ReLu = lambda z:np.where(z<0,0,1) LeakyReLu = lambda z:np.maximum(0.01*z,z) d_LeakyReLu = lambda z:np.where(z<0,0.01,1) Sigmoid = lambda z:1/(1+np.exp(-z)) d_Sigmoid = lambda z: Sigmoid(z)*(1-Sigmoid(z)) #d_Sigmoid = a(1-a) Tanh = np.tanh d_Tanh = lambda z:1 - Tanh(z)**2 #d_Tanh = 1 - a**2 class NNClassifier(object):  def __init__(self,n = [np.nan,5,5,1],alpha = 0.1,ITERNUM = 50000, gfunc = 'ReLu'):  self.n = n #各层节点数  self.gfunc = gfunc #隐藏层激活函数  self.alpha,self.ITERNUM = alpha,ITERNUM  self.dfJ = pd.DataFrame(data = np.zeros((ITERNUM,1)),columns = ['J'])  self.W,self.b = np.nan,np.nan  # 确定各层激活函数  self.g = [eval(self.gfunc) for i in range(len(n))];  self.g[-1] = Sigmoid;self.g[0] = np.nan  # 确定隐藏层激活函数的导数  self.d_gfunc = eval('d_' + self.gfunc)  def fit(self,X_train,y_train):  X,Y = X_train.T,y_train.reshape(1,-1)  m = X.shape[1] #样本个数  n = self.n; n[0] = X.shape[0] # 各层节点数量  # 节点值和参数初始化  A = [np.zeros((ni,m)) for ni in n];A[0] = X #各层节点输出值初始化  Z = [np.zeros((ni,m)) for ni in n];Z[0] = np.nan #各层节点中间值初始化  W = [np.nan] + [np.random.randn(n[i],n[i-1]) * 0.01 for i in range(1,len(n))] #各层系数参数  b = [np.zeros((ni,1)) for ni in n];b[0] = np.nan #n各层偏置参数  # 导数初始化  dA = [np.zeros(Ai.shape) for Ai in A]  dZ = [np.zeros(Ai.shape) for Ai in A]  dW = [np.zeros(Wi.shape) if isinstance(Wi,np.ndarray) else np.nan for Wi in W]   db = [np.zeros(bi.shape) if isinstance(bi,np.ndarray) else np.nan for bi in b]   for k in range(self.ITERNUM):  # ---------正向传播 ----------  for i in range(1,len(n)):  Z[i] = np.dot(W[i],A[i-1]) + b[i]  A[i] = self.g[i](Z[i])  J = (1/m) * np.sum(- Y*np.log(A[len(n)-1]) -(1-Y)*np.log(1-A[len(n)-1]))  self.dfJ.loc[k]['J']= J  # ----------反向传播 ---------  hmax = len(n) - 1  dA[hmax] = 1/m*(-Y/A[hmax] + (1-Y)/(1-A[hmax]))  dZ[hmax] = 1/m*(A[hmax]-Y)  dW[hmax] = np.dot(dZ[hmax],A[hmax-1].T)  db[hmax] = np.dot(dZ[hmax],np.ones((m,1)))  for i in range(len(n)-2,0,-1):  dA[i] = np.dot(W[i+1].T,dZ[i+1])  dZ[i] = dA[i]* self.d_gfunc(Z[i])  dW[i] = np.dot(dZ[i],A[i-1].T)  db[i] = np.dot(dZ[i],np.ones((m,1)))  #-----------梯度下降 ---------  for i in range(1,len(n)):  W[i] = W[i] - self.alpha*dW[i]   b[i] = b[i] - self.alpha*db[i]  # 显示进度  if (k+1)%1000 == 0:  print('progress rate:{}/{}'.format(k+1,self.ITERNUM),end = '\r')  self.W,self.b = W,b  def predict_prob(self,X_test):  # ---------正向传播 ----------  W,b = self.W,self.b  Ai = X_test.T  for i in range(1,len(self.n)):  Zi = np.dot(W[i],Ai) + b[i]  Ai = self.g[i](Zi)  return(Ai.reshape(-1))  def predict(self,X_test):  Y_prob = self.predict_prob(X_test)  Y_test = Y_prob.copy()  Y_test[Y_prob>=0.5] = 1  Y_test[Y_prob< 0.5] = 0  return(Y_test)  

05

单隐层神经网络

设置1个隐藏层,隐藏层节点数为5,隐藏层使用Sigmoid激活函数。

代码语言:javascript
复制
# 采用Sigmoid激活函数 NN = NNClassifier(n = [np.nan,5,1],alpha = 0.02,  ITERNUM = 200000, gfunc = 'Sigmoid') NN.fit(X_train,y_train) # 绘制目标函数迭代曲线 %matplotlib inline NN.dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = NN.predict_prob(X_test) roc_auc_score(list(y_test),list(Y_prob)) 

隐藏层使用Tanh激活函数。

代码语言:javascript
复制
# 采用 Tanh激活函数 NN = NNClassifier(n = [np.nan,5,1],alpha = 0.02,  ITERNUM = 200000, gfunc = 'Tanh') NN.fit(X_train,y_train) # 绘制目标函数迭代曲线 %matplotlib inline NN.dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = NN.predict_prob(X_test) roc_auc_score(list(y_test),list(Y_prob)) 

隐藏层使用ReLu激活函数。

代码语言:javascript
复制
# 采用 ReLu激活函数 NN = NNClassifier(n = [np.nan,5,1],alpha = 0.02,  ITERNUM = 200000, gfunc = 'ReLu') NN.fit(X_train,y_train) # 绘制目标函数迭代曲线 %matplotlib inline NN.dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = NN.predict_prob(X_test) roc_auc_score(list(y_test),list(Y_prob)) 

隐藏层使用LeakyReLu激活函数。

代码语言:javascript
复制
# 采用 LeakyReLu激活函数 NN = NNClassifier(n = [np.nan,5,1],alpha = 0.02,  ITERNUM = 200000, gfunc = 'LeakyReLu') NN.fit(X_train,y_train) # 绘制目标函数迭代曲线 %matplotlib inline NN.dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = NN.predict_prob(X_test) roc_auc_score(list(y_test),list(Y_prob)) 

以上试验似乎表明,在当前的数据集上,隐藏层采用ReLu激活函数是一个最好的选择,AUC最高得分为0.99958。

06

双隐层神经网络

设置2个隐藏层,隐藏层节点数都为5,隐藏层都使用ReLu激活函数。

代码语言:javascript
复制
# 设置两个隐藏层,采用ReLu激活函数 NN = NNClassifier(n = [np.nan,5,5,1],alpha = 0.02,  ITERNUM = 200000, gfunc = 'ReLu') NN.fit(X_train,y_train) # 绘制目标函数迭代曲线 %matplotlib inline NN.dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = NN.predict_prob(X_test) roc_auc_score(list(y_test),list(Y_prob)) 

AUC得分0.99874比采用单隐藏层的最优得分0.99958有所降低,可能是模型复杂度过高,我们尝试减少隐藏层节点的个数至3以降低模型复杂度。

代码语言:javascript
复制
# 双隐藏层,隐藏层节点数为3 NN = NNClassifier(n = [np.nan,3,3,1],alpha = 0.02,  ITERNUM = 200000, gfunc = 'ReLu') NN.fit(X_train,y_train) # 绘制目标函数迭代曲线 %matplotlib inline NN.dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = NN.predict_prob(X_test) roc_auc_score(list(y_test),list(Y_prob)) 

AUC得分0.99979,又有所提高。

和sklearn中自带的神经网络分类器进行对比。

代码语言:javascript
复制
# 和sklearn中的模型对比 from sklearn.neural_network import MLPClassifier # 第一隐藏层神经元个数为3,第二隐藏层神经元个数为3 MLPClf = MLPClassifier(hidden_layer_sizes=(3,3),max_iter=200000,activation='relu') MLPClf.fit(X_train,y_train) # 绘制目标函数迭代曲线 dfJ = pd.DataFrame(data = np.array(MLPClf.loss_curve_),columns = ['J']) dfJ.plot(figsize = (12,8)) # 测试在验证集的auc得分 from sklearn.metrics import roc_auc_score Y_prob = MLPClf.predict_proba(X_test)[:,1] roc_auc_score(list(y_test),list(Y_prob)) 

以上试验表明,针对当前数据数据集,选择ReLu激活函数,采用双隐藏层,每个隐藏层节点数设置为3是一个不错的选择,AUC得分为0.99979。该得分高于采用CV交叉验证优化超参数后的逻辑回归模型的0.99897的AUC得分。

  • 发表于:
  • 原文链接http://news.51cto.com/art/201907/600208.htm
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券