我见过的最脑残也是最好懂的人工神经网络算法教程（四）
4.4 CNeuralNet.h（神经网络类的头文件） 在CNeuralNet.h 文件中，我们定义了人工神经细胞的结构、定义了人工神经细胞的层的结构、以及人工神经网络本身的结构。首先我们来考察人工神经细胞的结构。4.4.1 SNeuron（神经细胞的结构）
这是很简单的结构。人工神经细胞的结构中必须有一个正整数来纪录它有多少个输入，还需要有一个向量std:vector来表示它的权重。请记住，神经细胞的每一个输入都要有一个对应的权重。
Struct SNeuron{ // 进入神经细胞的输入个数 int m_NumInputs;
// 为每一输入提供的权重 vector<double> m_vecWeight;
//构造函数 SNeuron(int NumInputs); };
以下就是SNeuron 结构体的构造函数形式:
SNeuron::SNeuron(int NumInputs): m_NumInputs(NumInputs+1) ( // 我们要为偏移值也附加一个权重，因此输入数目上要 +1 for (int i=0; i<NumInputs+1; ++i) { // 把权重初始化为任意的值 m_vecWeight.push_back(RandomClamped()); } } 由上可以看出，构造函数把送进神经细胞的输入数目NumInputs作为一个变元，并为每个输入创建一个随机的权重。所有权重值在-1和1之间。
这是什么？ 我听见你在说。这里多出了一个权重！ 不错，我很高兴看到你能注意到这一点，因为这一个附加的权重十分重要。但要解释它为什么在那里，我必须更多地介绍一些数学知识。回忆一下你就能记得，激励值是所有输入*权重的乘积的总和，而神经细胞的输出值取决于这个激励值是否超过某个阀值(t)。这可以用如下的方程来表示:
w1x1 + w2x2 + w3x3 +...+ wnxn >= t
上式是使细胞输出为１的条件。因为网络的所有权重需要不断演化（进化），如果阀值的数据也能一起演化，那将是非常重要的。要实现这一点不难，你使用一个简单的诡计就可以让阀值变成权重的形式。从上面的方程两边各减去t，得:
w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0
这个方程可以再换用一种形式写出来，如下:
w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) >= 0
到此，我希望你已能看出，阀值t为什么可以想像成为始终乘以输入为 -１的权重了。这个特殊的权重通常叫偏移（bias），这就是为什么每个神经细胞初始化时都要增加一个权重的理由。现在，当你演化一个网络时，你就不必再考虑阀值问题，因为它已被内建在权重向量中了。怎么样，想法不错吧？为了让你心中绝对敲定你所学到的新的人工神经细胞是什么样子，请再参看一下图12。
图12 带偏移的人工神经细胞。
4.4.2 SNeuronLayer（神经细胞层的结构） 神经细胞层SNeuronLayer的结构很简单；它定义了一个如图13中所示的由虚线包围的神经细胞SNeuron所组成的层。
图13 一个神经细胞层。
以下就是层的定义的源代码，它应该不再需要任何进一步的解释:
struct SNeuronLayer{ // 本层使用的神经细胞数目 int m_NumNeurons;
// 神经细胞的层 vector<SNeuron> m_vecNeurons;
SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);}；
4.4.3 CNeuralNet（神经网络类）
这是创建神经网络对象的类。让我们来通读一下这一个类的定义:
class CNeuralNet{private: int m_NumInputs;
int m_NumOutputs;
int m_NumHiddenLayers;
int m_NeuronsPerHiddenLyr;
// 为每一层（包括输出层）存放所有神经细胞的存储器 vector<SNeuronLayer> m_vecLayers;
所有private成员由其名称容易得到理解。需要由本类定义的就是输入的个数、输出的个数、隐藏层的数目、以及每个隐藏层中神经细胞的个数等几个参数。
public:
CNeuralNet();
该构造函数利用ini文件来初始化所有的Private成员变量，然后再调用CreateNet来创建网络。
// 由SNeurons创建网络 void CreateNet();
我过一会儿马上就会告诉你这个函数的代码。
// 从神经网络得到（读出）权重 vector<double> GetWeights()const;
由于网络的权重需要演化，所以必须创建一个方法来返回所有的权重。这些权重在网络中是以实数型向量形式表示的，我们将把这些实数表示的权重编码到一个基因组中。当我开始谈论本工程的遗传算法时，我将为您确切说明权重如何进行编码。
// 返回网络的权重的总数 int GetNumberOfWeights()const;
// 用新的权重代替原有的权重 void PutWeights(vector<double> &weights);
这一函数所做的工作与函数GetWeights所做的正好相反。当遗传算法执行完一代时，新一代的权重必须重新插入神经网络。为我们完成这一任务的是PutWeight方法。
// S形响应曲线 inline double Sigmoid(double activation, double response);
当已知一个神经细胞的所有输入*重量的乘积之和时，这一方法将它送入到S形的激励函数。
// 根据一组输入，来计算输出 vector<double> Update(vector<double> &inputs);
对此Update函数函数我马上就会来进行注释的。
}; // 类定义结束
4.4.3.1 CNeuralNet::CreateNet（创建神经网络的方法）
我在前面没有对CNeuralNet的2个方法加以注释，这是因为我要为你显示它们的更完整的代码。这2个方法的第一个是网络创建方法CreateNet。它的工作就是把由细胞层SNeuronLayers所收集的神经细胞SNeurons聚在一起来组成整个神经网络，代码为:
void CNeuralNet::CreateNet(){ // 创建网络的各个层 if (m_NumHiddenLayers > 0) { //创建第一个隐藏层［译注］ m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr, m_NumInputs));
for( int i=O; i<m_NumHiddenLayers-l; ++i) { m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr， m_NeuronsPerHiddenLyr)); }
［译注］ 如果允许有多个隐藏层，则由接着for循环即能创建其余的隐藏层。 // 创建输出层 m_vecLayers.push_back(SNeuronLayer(m_NumOutput,m_NeuronsPerHiddenLyr)); }
else //无隐藏层时，只需创建输出层 { // 创建输出层 m_vecLayers.push_back(SNeuronLayer(m_NumOutputs, m_NumInputs)); }}
4.4.3.2 CNeuralNet::Update（神经网络的更新方法）
Update函数(更新函数)称得上是神经网络的“主要劳动力”了。这里，输入网络的数据input是以双精度向量std::vector的数据格式传递进来的。Update函数通过对每个层的循环来处理输入*权重的相乘与求和，再以所得的和数作为激励值，通过S形函数来计算出每个神经细胞的输出，正如我们前面最后几页中所讨论的那样。Update函数返回的也是一个双精度向量std::vector，它对应的就是人工神经网络的所有输出。
请你自己花两分钟或差不多的时间来熟悉一下如下的Update函数的代码，这能使你正确理解我们继续要讲的其他内容:
vector<double> CNeuralNet::Update(vector<double> &inputs){ // 保存从每一层产生的输出 vector<double> outputs;
int cWeight = 0;
// 首先检查输入的个数是否正确 if (inputs.size() != m_NumInputs) { // 如果不正确，就返回一个空向量 return outputs; }
// 对每一层,... for (int i=0; i<m_NumHiddenLayers+1; ++i) { if (i>O) { inputs = outputs; } outputs.clear();
cWeight = 0;
// 对每个神经细胞,求输入*对应权重乘积之总和。并将总和抛给S形函数,以计算输出 for (int j=0; j<m_vecLayers.m_NumNeurons; ++j) { double netinput = 0;
int NumInputs = m_vecLayers.m_vecNeurons.m_NumInputs;
// 对每一个权重 for (int k=O; k<NumInputs-l; ++k) { // 计算权重*输入的乘积的总和。 netinput += m_vecLayers.m_vecNeurons.m_vecWeight * inputs; }
// 加入偏移值 netinput += m_vecLayers.m_vecNeurons.m_vecWeight * CParams::dBias;
别忘记每个神经细胞的权重向量的最后一个权重实际是偏移值，这我们已经说明过了，我们总是将它设置成为 –1的。我已经在ini文件中包含了偏移值，你可以围绕它来做文章，考察它对你创建的网络的功能有什么影响。不过，这个值通常是不应该改变的。
// 每一层的输出，当我们产生了它们后，我们就要将它们保存起来。但用Σ累加在一起的 // 激励总值首先要通过S形函数的过滤，才能得到输出outputs.push_back(Sigmoid(netinput,CParams::dActivationResponse)); cWeight = 0: } }
return outputs;}
6666666666666666666666666
6666666666666666666666666
页:
[1]