当前访客身份:游客 [ 登录  | 注册加入尚学堂]
直播

我来了!

拥有积分:3866
尚学堂雄起!!威武。。。

博客分类

笔记中心

课题中心

提问中心

答题中心

解答题中心

用java写bp神经网络(一)

我来了! 发表于 2年前 (2014-11-28 22:49:24)  |  评论(0)  |  阅读次数(341)| 0 人收藏此文章,   我要收藏   

根据前篇博文《神经网络之后向传播算法》,现在用java实现一个bp神经网络。矩阵运算采用jblas库,然后逐渐增加功能,支持并行计算,然后支持输入向量调整,最后支持L-BFGS学习算法。

上帝说,要有神经网络,于是,便有了一个神经网络。上帝还说,神经网络要有节点,权重,激活函数,输出函数,目标函数,然后也许还要有一个准确率函数,于是,神经网络完成了:

public class Net {
	List<DoubleMatrix> weights = new ArrayList<DoubleMatrix>();
	List<DoubleMatrix> bs = new ArrayList<>();
	List<ScalarDifferentiableFunction> activations = new ArrayList<>();
	CostFunctionFactory costFunc;
	CostFunctionFactory accuracyFunc;
	int[] nodesNum;
	int layersNum;
	public Net(int[] nodesNum, ScalarDifferentiableFunction[] activations,CostFunctionFactory costFunc) {
		super();
		this.initNet(nodesNum, activations);
		this.costFunc=costFunc;
		this.layersNum=nodesNum.length-1;
	}

	public Net(int[] nodesNum, ScalarDifferentiableFunction[] activations,CostFunctionFactory costFunc,CostFunctionFactory accuracyFunc) {
		this(nodesNum,activations,costFunc);
		this.accuracyFunc=accuracyFunc;
	}
	public void resetNet() {
		this.initNet(nodesNum, (ScalarDifferentiableFunction[]) activations.toArray());
	}

	private void initNet(int[] nodesNum, ScalarDifferentiableFunction[] activations) {
		assert (nodesNum != null && activations != null
				&& nodesNum.length == activations.length + 1 && nodesNum.length > 1);
		this.nodesNum = nodesNum;
		this.weights.clear();
		this.bs.clear();
		this.activations.clear();
		for (int i = 0; i < nodesNum.length - 1; i++) {
			// 列数==输入;行数==输出。
			int columns = nodesNum[i];
			int rows = nodesNum[i + 1];
			double r1 = Math.sqrt(6) / Math.sqrt(rows + columns + 1);
			//r1=0.001;
			// W
			DoubleMatrix weight = DoubleMatrix.rand(rows, columns).muli(2*r1).subi(r1);
			//weight=DoubleMatrix.ones(rows, columns);
			weights.add(weight);

			// b
			DoubleMatrix b = DoubleMatrix.zeros(rows, 1);
			bs.add(b);

			// activations
			this.activations.add(activations[i]);
		}
	}
}

 上帝造完了神经网络,去休息了。人说,我要使用神经网络,我要利用正向传播计算各层的结果,然后利用反向传播调整网络的状态,最后,我要让它能告诉我猎物在什么方向,花儿为什么这样香。

public class Propagation {
	Net net;

	public Propagation(Net net) {
		super();
		this.net = net;
	}


	// 多个样本。
	public ForwardResult forward(DoubleMatrix input) {
		
		ForwardResult result = new ForwardResult();
		result.input = input;
		DoubleMatrix currentResult = input;
		int index = -1;
		for (DoubleMatrix weight : net.weights) {
			index++;
			DoubleMatrix b = net.bs.get(index);
			final ScalarDifferentiableFunction activation = net.activations
					.get(index);
			currentResult = weight.mmul(currentResult).addColumnVector(b);
			result.netResult.add(currentResult);

			// 乘以导数
			DoubleMatrix derivative = MatrixUtil.applyNewElements(
					new ScalarFunction() {
						@Override
						public double valueAt(double x) {
							return activation.derivativeAt(x);
						}

					}, currentResult);

			currentResult = MatrixUtil.applyNewElements(activation,
					currentResult);
			result.finalResult.add(currentResult);

			result.derivativeResult.add(derivative);
		}

		result.netResult=null;// 不再需要。
		
		return result;
	}

	

    // 多个样本梯度平均值。
	public BackwardResult backward(DoubleMatrix target,
			ForwardResult forwardResult) {
		BackwardResult result = new BackwardResult();
		DoubleMatrix cost = DoubleMatrix.zeros(1,target.columns);
		DoubleMatrix output = forwardResult.finalResult
				.get(forwardResult.finalResult.size() - 1);
		DoubleMatrix outputDelta = DoubleMatrix.zeros(output.rows,
				output.columns);
		DoubleMatrix outputDerivative = forwardResult.derivativeResult
				.get(forwardResult.derivativeResult.size() - 1);

		DoubleMatrix accuracy = null;
		if (net.accuracyFunc != null) {
			accuracy = DoubleMatrix.zeros(1,target.columns);
		}

		for (int i = 0; i < target.columns; i++) {
			CostFunction costFunc = net.costFunc.create(target.getColumn(i)
					.toArray());
			cost.put(i, costFunc.valueAt(output.getColumn(i).toArray()));
			// System.out.println(i);
			DoubleMatrix column1 = new DoubleMatrix(
					costFunc.derivativeAt(output.getColumn(i).toArray()));
			DoubleMatrix column2 = outputDerivative.getColumn(i);
			outputDelta.putColumn(i, column1.muli(column2));

			if (net.accuracyFunc != null) {
				CostFunction accuracyFunc = net.accuracyFunc.create(target
						.getColumn(i).toArray());
				accuracy.put(i,
						accuracyFunc.valueAt(output.getColumn(i).toArray()));
			}
		}
		result.deltas.add(outputDelta);
		result.cost = cost;
		result.accuracy = accuracy;
		for (int i = net.layersNum - 1; i >= 0; i--) {
			DoubleMatrix pdelta = result.deltas.get(result.deltas.size() - 1);

			// 梯度计算,取所有样本平均
			DoubleMatrix layerInput = i == 0 ? forwardResult.input
					: forwardResult.finalResult.get(i - 1);
			DoubleMatrix gradient = pdelta.mmul(layerInput.transpose()).div(
					target.columns);
			result.gradients.add(gradient);
			// 偏置梯度
			result.biasGradients.add(pdelta.rowMeans());

			// 计算前一层delta,若i=0,delta为输入层误差,即input调整梯度,不作平均处理。
			DoubleMatrix delta = net.weights.get(i).transpose().mmul(pdelta);
			if (i > 0)
				delta = delta.muli(forwardResult.derivativeResult.get(i - 1));
			result.deltas.add(delta);
		}
		Collections.reverse(result.gradients);
		Collections.reverse(result.biasGradients);
		
		//其它的delta都不需要。
		DoubleMatrix inputDeltas=result.deltas.get(result.deltas.size()-1);
		result.deltas.clear();
		result.deltas.add(inputDeltas);
		
		return result;
	}

	public Net getNet() {
		return net;
	}

}

 上面是一次正向/反向传播的具体代码。训练方式为批量训练,即所有样本一起训练。然而我们可以传入只有一列的input/target样本实现adapt方式的串行训练,也可以把样本分成很多批传入实现mini-batch方式的训练,这,不是Propagation要考虑的事情,它只是忠实的把传入的数据正向过一遍,反向过一遍,然后把过后的数据原封不动的返回给你。至于传入什么,以及结果怎么运用,是Trainer和Learner要做的事情。下回分解。

分享到:0
关注微信,跟着我们扩展技术视野。每天推送IT新技术文章,每周聚焦一门新技术。微信二维码如下:
微信公众账号:尚学堂(微信号:bjsxt-java)
声明:博客文章版权属于原创作者,受法律保护。如果侵犯了您的权利,请联系管理员,我们将及时删除!
(邮箱:webmaster#sxt.cn(#换为@))
北京总部地址:北京市海淀区西三旗桥东建材城西路85号神州科技园B座三层尚学堂 咨询电话:400-009-1906 010-56233821
Copyright 2007-2015 北京尚学堂科技有限公司 京ICP备13018289号-1 京公网安备11010802015183