前段时间我开始了我的机器学习冒险（在我学习的最后 2 年）。我读了很多书，写了很多机器学习算法的代码，除了神经网络，这些超出了我的范围。我对这个话题很感兴趣，但我有一个很大的问题：我读过的所有书都有两个主要问题：
你能告诉我，我在哪里可以找到多层感知（神经网络）的简单实现？我不需要理论知识，也不需要上下文嵌入的示例。我更喜欢一些脚本语言来节省时间和精力——我以前的工作 99% 都是用 Python 完成的。
这是我以前读过的书（但没有找到我想要的）：
这是一个使用Python. 此实现以效率换取可理解性：
import math
import random
BIAS = -1
"""
To view the structure of the Neural Network, type
print network_name
"""
class Neuron:
def __init__(self, n_inputs ):
self.n_inputs = n_inputs
self.set_weights( [random.uniform(0,1) for x in range(0,n_inputs+1)] ) # +1 for bias weight
def sum(self, inputs ):
# Does not include the bias
return sum(val*self.weights[i] for i,val in enumerate(inputs))
def set_weights(self, weights ):
self.weights = weights
def __str__(self):
return 'Weights: %s, Bias: %s' % ( str(self.weights[:-1]),str(self.weights[-1]) )
class NeuronLayer:
def __init__(self, n_neurons, n_inputs):
self.n_neurons = n_neurons
self.neurons = [Neuron( n_inputs ) for _ in range(0,self.n_neurons)]
def __str__(self):
return 'Layer:\n\t'+'\n\t'.join([str(neuron) for neuron in self.neurons])+''
class NeuralNetwork:
def __init__(self, n_inputs, n_outputs, n_neurons_to_hl, n_hidden_layers):
self.n_inputs = n_inputs
self.n_outputs = n_outputs
self.n_hidden_layers = n_hidden_layers
self.n_neurons_to_hl = n_neurons_to_hl
# Do not touch
self._create_network()
self._n_weights = None
# end
def _create_network(self):
if self.n_hidden_layers>0:
# create the first layer
self.layers = [NeuronLayer( self.n_neurons_to_hl,self.n_inputs )]
# create hidden layers
self.layers += [NeuronLayer( self.n_neurons_to_hl,self.n_neurons_to_hl ) for _ in range(0,self.n_hidden_layers)]
# hidden-to-output layer
self.layers += [NeuronLayer( self.n_outputs,self.n_neurons_to_hl )]
else:
# If we don't require hidden layers
self.layers = [NeuronLayer( self.n_outputs,self.n_inputs )]
def get_weights(self):
weights = []
for layer in self.layers:
for neuron in layer.neurons:
weights += neuron.weights
return weights
@property
def n_weights(self):
if not self._n_weights:
self._n_weights = 0
for layer in self.layers:
for neuron in layer.neurons:
self._n_weights += neuron.n_inputs+1 # +1 for bias weight
return self._n_weights
def set_weights(self, weights ):
assert len(weights)==self.n_weights, "Incorrect amount of weights."
stop = 0
for layer in self.layers:
for neuron in layer.neurons:
start, stop = stop, stop+(neuron.n_inputs+1)
neuron.set_weights( weights[start:stop] )
return self
def update(self, inputs ):
assert len(inputs)==self.n_inputs, "Incorrect amount of inputs."
for layer in self.layers:
outputs = []
for neuron in layer.neurons:
tot = neuron.sum(inputs) + neuron.weights[-1]*BIAS
outputs.append( self.sigmoid(tot) )
inputs = outputs
return outputs
def sigmoid(self, activation,response=1 ):
# the activation function
try:
return 1/(1+math.e**(-activation/response))
except OverflowError:
return float("inf")
def __str__(self):
return '\n'.join([str(i+1)+' '+str(layer) for i,layer in enumerate(self.layers)])
如果您正在寻找具有学习（反向传播）功能的神经网络的更有效示例，请在此处查看我的神经网络 Github 存储库。
嗯，这很棘手。我之前也遇到过同样的问题，在好的但大量数学负载的解释和准备使用的实现之间我找不到任何东西。
像 PyBrain 这样的现成实现的问题在于它们隐藏了细节，因此对学习如何实现 ANN 感兴趣的人需要其他东西。阅读此类解决方案的代码也可能具有挑战性，因为它们经常使用启发式方法来提高性能，这使得初学者更难理解代码。
但是，您可以使用一些资源：
http://msdn.microsoft.com/en-us/magazine/jj658979.aspx
http://itee.uq.edu.au/~cogs2010/cmc/chapters/BackProp/
http://www.codeproject.com/Articles/19323/Image-Recognition-with-Neural-Networks
http://freedelta.free.fr/r/php-code-samples/artificial-intelligence-neural-network-backpropagation/
这是一个如何使用 numpy 实现前馈神经网络的示例。首先导入 numpy 并指定输入和目标的维度。
import numpy as np
input_dim = 1000
target_dim = 10
我们现在将构建网络结构。正如 Bishop 伟大的“模式识别和机器学习”中所建议的，您可以简单地将 numpy 矩阵的最后一行视为偏置权重，将激活的最后一列视为偏置神经元。那么，第一个/最后一个权重矩阵的输入/输出维度需要大 1。
dimensions = [input_dim+1, 500, 500, target_dim+1]
weight_matrices = []
for i in range(len(dimensions)-1):
weight_matrix = np.ones((dimensions[i], dimensions[i]))
weight_matrices.append(weight_matrix)
如果您的输入存储在 2d numpy 矩阵中，其中每一行对应一个样本，而列对应于样本的属性，您可以像这样通过网络传播：（假设逻辑 sigmoid 函数作为激活函数）
def activate_network(inputs):
activations = [] # we store the activations for each layer here
a = np.ones((inputs.shape[0], inputs.shape[1]+1)) #add the bias to the inputs
a[:,:-1] = inputs
for w in weight_matrices:
x = a.dot(w) # sum of weighted inputs
a = 1. / (1. - np.exp(-x)) # apply logistic sigmoid activation
a[:,-1] = 1. # bias for the next layer.
activations.append(a)
return activations
最后一个元素activations将是您的网络的输出，但要小心，您需要省略额外的偏差列，因此您的输出将是activations[-1][:,:-1].
要训练网络，您需要实现反向传播，这需要几行额外的代码。activations基本上，您需要从最后一个元素循环到第一个元素。确保在每个反向传播步骤之前将每个层的误差信号中的偏差列设置为零。
这是本机python中的反向传播算法。