数学建模社区-数学中国

标题: 我见过的最脑残也是最好懂的人工神经网络算法教程（四） [打印本页]
作者: 数学中国YY主管    时间: 2016-3-2 09:22
标题: 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。

7 }1 X3 }/ g( S2 D
4.4.1  SNeuron（神经细胞的结构）

; k: W  w3 y+ A& b) h% K
　　 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。

- z% i% G/ H- t: U2 {2 c, E
Struct SNeuron
{
     // 进入神经细胞的输入个数
     int m_NumInputs;
4 Q: f3 e. u8 h0 f" _2 U: p
     // 为每一输入提供的权重
     vector<double> m_vecWeight;

( v2 `( F6 Z9 n6 i$ ]+ R) _( K
     //构造函数
     SNeuron(int NumInputs);
  };

3 S" s+ r$ H8 X1 b# V
以下就是SNeuron 结构体的构造函数形式:

# G% `, N' e8 K, Y
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。
  g+ Z$ e5 T- W
        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:
8 ~. }; m. j8 j0 S& C
         w1x1 + w2x2 + w3x3 +...+ wnxn >= t
; E; O# S6 h7 Z5 N3 e  F; r: X4 n
　　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:

  v5 {9 X8 F) s
        w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0
  S4 T0 B& @- E( l
这个方程可以再换用一种形式写出来，如下:
9 \  U5 c5 q9 s! Y: T) S- P
        w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) >= 0
% d) s$ T+ `) b8 y) h8 D# T. h
　　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。
" [" R4 u' f4 P) Z- a+ |
- x3 E- w) T% }2 C

& C9 ?8 \( `7 _  O8 `+ H% V& Z* E- C3 I7 M. S
图12 带偏移的人工神经细胞。
, n* k; d- x7 j4 ^, K( _; F
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。

3 p5 Q0 s* _9 _% k2 f
$ t' K& y" f  L  U% P5 T, S( `' ]! E3 U
* A0 \' @6 m4 Y3 k1 S7 j( }! w$ }

+ G- ?; G& ?3 h6 b/ {" W
　　　　　图13 一个神经细胞层。
. z" G) Z$ u' ^. ?
　　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:

; S  T) Z5 O/ S7 C, U2 J% o
struct SNeuronLayer
{
   　// 本层使用的神经细胞数目
　  int                 　　　 m_NumNeurons;

5 Y) P3 d1 E5 I
      // 神经细胞的层
　  vector<SNeuron>   m_vecNeurons;

( W* X6 M' B( l2 ?9 H5 g
　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);
}；
8 q8 I3 [% `2 R6 D! k
4.4.3  CNeuralNet（神经网络类）
7 S: ^+ ~3 T, u  R' W# J6 B& M
　　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:

5 g" [) m4 N" v2 I, g+ s
class CNeuralNet
{
private:
    int                m_NumInputs;

0 v5 }8 V4 @( \
    int                m_NumOutputs;
0 w1 T4 D0 {0 V. x1 ]  G& Y
    int                m_NumHiddenLayers;

3 V0 a% y$ u$ O' E8 B6 b( b, \
    int       　　m_NeuronsPerHiddenLyr;
6 h2 }# t5 [; i# p; s
    // 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;
7 i9 A; C+ W3 d) B' d# s8 |; M
　　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。

( I6 L6 U4 ^. ?6 }  e7 c
public:

2 c' A* x6 C  @: z0 p0 E; u# u
     CNeuralNet();
; \4 |6 X) D  k9 b0 a% o
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。
! }# }! f, s) C* z5 `0 D
     // 由SNeurons创建网络
     void    CreateNet();

6 B& w; l& E3 C8 n
我过一会儿马上就会告诉你这个函数的代码。
  [8 Y% e! @$ r& Y% G0 Y: o8 b0 T
     // 从神经网络得到（读出）权重
     vector<double>   GetWeights()const;
, k* H- I% H5 Y& b" [( Z) ]
　　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。
$ b0 K+ ]& f9 S  r7 G3 V
    // 返回网络的权重的总数
    int GetNumberOfWeights()const;
9 ]7 y% F& A, k# K0 w
    // 用新的权重代替原有的权重
    void PutWeights(vector<double> &weights);
: [. N, v& E4 M
        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。
1 q6 Q. u7 b. r# o+ ]( D$ A
     // S形响应曲线
    inline double 　Sigmoid(double activation, double response);
; V5 P1 D1 R! g2 c4 ]
     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。

2 J' ?* ?# X" v" w  C
     // 根据一组输入，来计算输出
     vector<double> Update(vector<double> &inputs);

- O6 }) B: O" k) I; M$ a
对此Update函数函数我马上就会来进行注释的。

5 Y  J: ?5 x1 q2 h
}; // 类定义结束

6 b7 \! ~- E5 c- a; ^0 E! ?# H
4.4.3.1  CNeuralNet::CreateNet（创建神经网络的方法）

# |- `+ |6 x& ^+ a
　　 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:
% _4 s, X" `7 Y* T0 f% l% s
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));

5 c" H4 Z- r  q* E( C
     for( int i=O; i<m_NumHiddenLayers-l; ++i)
     {
        m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr，
                                                  m_NeuronsPerHiddenLyr));
      }
, k7 P- G& T/ [' X
［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));
   }

$ k7 O% Q. _. M3 x. Q& S8 y  }
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));
   }
}
, v0 _$ T( Y9 E: s
- g) o) L9 h+ S( A
4.4.3.2  CNeuralNet::Update（神经网络的更新方法）
! R9 W, B& x4 X! q! u$ y2 o( P
　　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。

, _+ J4 J+ [0 n
       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:

1 T, a4 B6 {/ k
vector<double> CNeuralNet::Update(vector<double> &inputs)
{
     // 保存从每一层产生的输出
     vector<double> outputs;
& A# F" R# o. M1 n9 K) r, V
     int cWeight = 0;

/ L6 n) H1 l9 G2 |) }6 R; E( h
     // 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;
      }

9 F& U' k8 [. J% h
     // 对每一层,...
     for (int i=0; i<m_NumHiddenLayers+1; ++i)
     {
       if (i>O)
         {
            inputs = outputs;
         }
    outputs.clear();

: j8 \6 h' U& `4 W; F, Q
    cWeight = 0;
+ p- m6 E- g5 W; O# T/ M
    // 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;

# w. O, D. q# f
          int NumInputs = m_vecLayers.m_vecNeurons[j].m_NumInputs;
' M( |/ Q3 ^8 {1 w  l. t" q7 [
         // 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[j].m_vecWeight[k] *
     　   　　　　　      inputs[cWeight++];
         }

4 N, i4 ~+ r* F# u% }
        // 加入偏移值
        netinput += m_vecLayers.m_vecNeurons[j].m_vecWeight[NumInputs-1] *
                    CParams::dBias;

- l6 ^) m/ b: m6 ~
　　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。

6 T+ g2 |! p* N3 e1 t3 {% ]8 V9 x& \
     // 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:
    }
  }
* W1 m9 z3 u2 E+ T
  return outputs;
}
, x, X6 t, b! Z. z& \% p

. {5 d; ?6 A/ Q7 S0 H% Z
作者: fly370023196    时间: 2016-4-7 19:17
6666666666666666666666666
% G0 q3 X2 v( }+ Z! s
作者: fly370023196    时间: 2016-4-7 19:17
66666666666666666666666667 K0 f) K. t' @% t' u; [5 {+ n




欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) Powered by Discuz! X2.5