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。
# Z( l7 D& @2 d) D% H! d
4.4.1  SNeuron（神经细胞的结构）

$ z6 e$ [; N5 x! y) [5 b
　　 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。
3 h. z1 ]5 Q; C* O8 @
Struct SNeuron
{
     // 进入神经细胞的输入个数
     int m_NumInputs;
8 F. u0 p3 M) n# S9 C! M  ]3 U7 Q
     // 为每一输入提供的权重
     vector<double> m_vecWeight;

: r1 h' [  ^3 A2 B1 p4 A2 ]
     //构造函数
     SNeuron(int NumInputs);
  };

* S' N/ c2 e' |4 t
以下就是SNeuron 结构体的构造函数形式:

0 u7 K2 m+ o, u- K. \, O! E, d  r/ N
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。

3 a5 G, L8 P' S+ T' u
        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:

: m- S6 Y! b$ V9 b- p/ @1 D
         w1x1 + w2x2 + w3x3 +...+ wnxn >= t
6 `9 ]1 Y9 B: f
　　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:
: s# Z/ F8 z$ w" ~+ w
        w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0
& D' u6 b. K. v1 ^9 f* p  U
这个方程可以再换用一种形式写出来，如下:
! B0 {0 e7 y0 L9 v. U' l
        w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) >= 0
$ R  ]; k3 R4 a( o
　　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。
# Z2 Y+ x5 o1 A& u$ @" ^
2 c; Y, l5 m% k  N7 ~
  F' _0 d, Z: d5 z# y

- b3 B+ i9 [! z4 n
图12 带偏移的人工神经细胞。

9 |: G; A  Z' }( J
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。

0 d1 F( S) k4 B* j9 ]& `4 E$ t) u: B4 Z

4 ]# K* L9 y% w) W
; u* F# _: `$ I1 s4 }. _6 Q2 ~* B, G# R; _
　　　　　图13 一个神经细胞层。
; E5 y3 [6 K/ v
　　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:
6 C9 u: s: u( a/ n; }3 `
struct SNeuronLayer
{
   　// 本层使用的神经细胞数目
　  int                 　　　 m_NumNeurons;
% ?% s7 r/ y- C9 J2 X
      // 神经细胞的层
　  vector<SNeuron>   m_vecNeurons;

2 b) w- m- a, {, M! {
　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);
}；
9 n- |! }/ [/ w9 E
4.4.3  CNeuralNet（神经网络类）

* u7 K9 K% q/ [( z2 W
　　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:

3 v0 G8 m0 k+ L" t
class CNeuralNet
{
private:
    int                m_NumInputs;

- T: P  L7 }( W/ N+ ?' u1 b7 j
    int                m_NumOutputs;
: i+ O+ [6 f' G9 k% i5 Q
    int                m_NumHiddenLayers;

' C; l' X6 B/ y. J7 d
    int       　　m_NeuronsPerHiddenLyr;
. K3 b3 _3 j! B9 e; e- o, B
    // 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;

. S, n/ V. t2 t( G) d3 ^6 ?
　　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。

8 H0 I8 [& r$ m, e4 g4 D& `! x
public:
* i1 `) z. d; w2 [( i" r1 T
     CNeuralNet();

; |! j8 u6 f+ o4 k9 D2 p
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。
9 `$ ~. L( C! c5 d9 z3 L# L
     // 由SNeurons创建网络
     void    CreateNet();

( q* N7 v7 r& y# w# R9 U4 t
我过一会儿马上就会告诉你这个函数的代码。

8 F) T! w3 Y0 l2 e
     // 从神经网络得到（读出）权重
     vector<double>   GetWeights()const;
- W; b' b) ]: l' c- _
　　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。

5 `8 c6 ~3 O3 }1 L/ c' \6 @; U  d- B
    // 返回网络的权重的总数
    int GetNumberOfWeights()const;
3 F; v; Y8 r) W6 T+ Q
    // 用新的权重代替原有的权重
    void PutWeights(vector<double> &weights);
  |. g! `- v' J
        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" f* \: U" q6 [6 H2 `5 a
     // S形响应曲线
    inline double 　Sigmoid(double activation, double response);
% `" s* R# ?6 g( Q$ `) K
     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。
3 e) {: f3 @/ v, m) u
     // 根据一组输入，来计算输出
     vector<double> Update(vector<double> &inputs);

% O# Z  w) D: Z  Z# i
对此Update函数函数我马上就会来进行注释的。

; J8 _7 q6 ~6 }6 m( R
}; // 类定义结束
# s8 V+ N2 _7 W. r
4.4.3.1  CNeuralNet::CreateNet（创建神经网络的方法）
1 x) `/ M. G" T# N, q
　　 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:
! M6 B$ y' {; V/ z2 [1 D
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));

* S: ]9 x4 Q( N' O, W' i  o* P9 P. G
     for( int i=O; i<m_NumHiddenLayers-l; ++i)
     {
        m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr，
                                                  m_NeuronsPerHiddenLyr));
      }
. L5 E: [: K7 g7 j) S6 y* F: H" ~) Y
［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));
   }

$ N1 Q2 m6 @' i9 `# X+ R3 h* c, o' h
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));
   }
}

; w' c5 Z. @9 Q
+ [3 s! i: x# @5 M
4.4.3.2  CNeuralNet::Update（神经网络的更新方法）

# a  x4 L+ @3 t8 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。
8 M- i- D  E! f$ m( S. j
       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:
$ w/ F) t& |! ~! U+ Q8 l2 r* y; \
vector<double> CNeuralNet::Update(vector<double> &inputs)
{
     // 保存从每一层产生的输出
     vector<double> outputs;
- a. Q) O1 q% U$ C* H" {
     int cWeight = 0;

( m" u# D; q1 D9 ]& E
     // 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;
      }

0 d. g7 H: \; x3 i, D- b
     // 对每一层,...
     for (int i=0; i<m_NumHiddenLayers+1; ++i)
     {
       if (i>O)
         {
            inputs = outputs;
         }
    outputs.clear();
1 e5 E3 K- b( h9 k% ?
    cWeight = 0;

- O. L1 S7 k8 `9 X2 j5 t! |; Z0 }
    // 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;

: l! U; c7 f' |
          int NumInputs = m_vecLayers.m_vecNeurons[j].m_NumInputs;
# Q+ b" J& V# _$ y) T7 |1 e
         // 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++];
         }
7 a0 J0 V- ?0 }8 a2 u/ w2 g7 L7 H
        // 加入偏移值
        netinput += m_vecLayers.m_vecNeurons[j].m_vecWeight[NumInputs-1] *
                    CParams::dBias;

( `3 K8 h3 N% d
　　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。
; h* A# Y' B3 Q6 K
     // 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:
    }
  }

' I. f7 c$ z( l& h
  return outputs;
}
" h6 Y8 B5 Q: L: O) A1 [
1 [) o4 r+ z& ~" p. K
作者: fly370023196    时间: 2016-4-7 19:17
66666666666666666666666663 x3 W6 n( e4 C$ L  r
作者: fly370023196    时间: 2016-4-7 19:17
6666666666666666666666666
: U* U$ _# Z' V! u, o4 B9 |3 g1 Z



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