MLP'nin tek bir çıkış ünitesiyle (ikili sınıflandırma) basit bir şekilde uygulanmasını yazıyorum. Öğretim amaçları için ihtiyacım var, bu yüzden mevcut uygulamayı kullanamıyorum :(Çok katmanlı perceptron uygulaması: ağırlıklar çıldırıyor
Çalışan bir manken modeli oluşturmayı ve antrenman fonksiyonunu gerçekleştirmeyi başardım, ancak MLP birbirine yaklaşmıyor.Gerçekte çıkış birimi için gradyan yüksek kalıyor dönemini bitti, bu yüzden onun ağırlıkları sonsuza yaklaştıkça
My uygulaması:.
import numpy as np
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
X = np.loadtxt('synthetic.txt')
t = X[:, 2].astype(np.int)
X = X[:, 0:2]
# Sigmoid activation function for output unit
def logistic(x):
return 1/(1 + np.exp(-x))
# derivative of the tanh activation function for hidden units
def tanh_deriv(x):
return 1 - np.tanh(x)*np.tanh(x)
input_num = 2 # number of units in the input layer
hidden_num = 2 # number of units in the hidden layer
# initialize weights with random values:
weights_hidden = np.array((2 * np.random.random((input_num + 1, hidden_num + 1)) - 1) * 0.25)
weights_out = np.array((2 * np.random.random( hidden_num + 1) - 1) * 0.25)
def predict(x):
global input_num
global hidden_num
global weights_hidden
global weights_out
x = np.append(x.astype(float), 1.0) # input to the hidden layer: features + bias term
a = x.dot(weights_hidden) # activations of the hidden layer
z = np.tanh(a) # output of the hidden layer
q = logistic(z.dot(weights_out)) # input to the output (decision) layer
if q >= 0.5:
return 1
return 0
def train(X, t, learning_rate=0.2, epochs=50):
global input_num
global hidden_num
global weights_hidden
global weights_out
weights_hidden = np.array((2 * np.random.random((input_num + 1, hidden_num + 1)) - 1) * 0.25)
weights_out = np.array((2 * np.random.random( hidden_num + 1) - 1) * 0.25)
for epoch in range(epochs):
gradient_out = 0.0 # gradients for output and hidden layers
gradient_hidden = []
for i in range(X.shape[0]):
# forward propagation
x = np.array(X[i])
x = np.append(x.astype(float), 1.0) # input to the hidden layer: features + bias term
a = x.dot(weights_hidden) # activations of the hidden layer
z = np.tanh(a) # output of the hidden layer
q = z.dot(weights_out) # activations to the output (decision) layer
y = logistic(q) # output of the decision layer
# backpropagation
delta_hidden_s = [] # delta and gradient for a single training sample (hidden layer)
gradient_hidden_s = []
delta_out_s = t[i] - y # delta and gradient for a single training sample (output layer)
gradient_out_s = delta_out_s * z
for j in range(hidden_num + 1):
delta_hidden_s.append(tanh_deriv(a[j]) * (weights_out[j] * delta_out_s))
gradient_hidden_s.append(delta_hidden_s[j] * x)
gradient_out = gradient_out + gradient_out_s # accumulate gradients over training set
gradient_hidden = gradient_hidden + gradient_hidden_s
print "\n#", epoch, "Gradient out: ",gradient_out,
print "\n Weights out: ", weights_out
# Now updating weights
weights_out = weights_out - learning_rate * gradient_out
for j in range(hidden_num + 1):
weights_hidden.T[j] = weights_hidden.T[j] - learning_rate * gradient_hidden[j]
train(X, t, 0.2, 50)
ve çağın üzerinde çıkış ünitesi için gradyan ve ağırlıkları evrim:
0 Gradient out: [ 11.07640724 -7.20309009 0.24776626]
Weights out: [-0.15397237 0.22232593 0.03162811]
1 Gradient out: [ 23.68791197 -19.6688382 -1.75324703]
Weights out: [-2.36925382 1.66294395 -0.01792515]
2 Gradient out: [ 79.08612305 -65.76066015 -7.70115262]
Weights out: [-7.10683621 5.59671159 0.33272426]
3 Gradient out: [ 99.59798656 -93.90973727 -21.45674943]
Weights out: [-22.92406082 18.74884362 1.87295478]
...
49 Gradient out: [ 107.89975864 -105.8654327 -104.69591522]
Weights out: [-1003.67912726 976.87213404 922.38862049]
farklı veri kümelerini, gizli birimlerinin çeşitli sayıda denedik. Çıkarma yerine ekleyerek ağırlıkları güncellemeye çalıştım ... Hiçbir şey yardımcı olur ...
Birisi bana neyin yanlış olabileceğini söyleyebilir mi? Teşekkür peşin
Merhaba, 'synthetic.txt' bağlantısını ekleyebilir misiniz, hata ayıklayacağım ve gerekli düzeltmeleri belirleyeceğim, çıktı katmanına giden bias-terimi eklemek gibi bazı eksik parçaları zaten buldum. diğer ağırlıkların güncellenmesinden oldukça farklı olan önyargıların güncellenmesi mekanizmasının değiştirilmesi. Teşekkürler – Curious
Merhaba, aslında sorunu zaten çözdüm. Haklısın, gizli katmandaki önyargıyı özledim. Ayrıca, kareler hata fonksiyonu toplamı için geri yayımı yeniden yazdım. İlginiz için teşekkürler. –