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 U5 J6 |) E2 T* c
4.4.1  SNeuron（神经细胞的结构）

+ N: n+ f8 n1 D8 |3 ]. z
　　 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。
# M0 h' b. t6 z, S; U0 H0 n) P
Struct SNeuron
{
     // 进入神经细胞的输入个数
     int m_NumInputs;
0 S1 ?) [6 u' O# T" `8 t1 q! K
     // 为每一输入提供的权重
     vector<double> m_vecWeight;

2 m) `8 v. V$ C
     //构造函数
     SNeuron(int NumInputs);
  };
2 W2 @4 R6 {0 Z: ?5 W
以下就是SNeuron 结构体的构造函数形式:

7 `/ k' v, J8 f' W- G+ \/ F+ u
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。
# v7 x" M$ j  Z/ t9 s: e1 {
        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:

: C9 g9 w- X/ F1 ]% k& j, c
         w1x1 + w2x2 + w3x3 +...+ wnxn >= t

( Q1 b+ e2 l* P) i. \+ a
　　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:

! {: e# Y2 d5 k/ g1 }6 x# h
        w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0

( y3 X. b. n; h' `5 ?
这个方程可以再换用一种形式写出来，如下:

1 M! [, _9 O2 p5 G; _: o
        w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) >= 0
, \! x8 Y$ o. W- {2 e5 w
　　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。
" f, ~( M+ V7 d& @
3 I7 ?9 n3 Q+ p6 A
! Q2 [+ m+ v+ [" d

' f# o) I/ W+ S: r- S; l% y
图12 带偏移的人工神经细胞。

" [0 v4 ]1 F& m5 P: a9 o4 i. Y: c) ?# m0 C
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。

' `4 n! W; r* P# O
: {  i# O! i4 Z! _! H& `$ c- ?7 F
# Y! q  y8 H" X3 {0 a8 s+ ^4 N9 N, X2 e% w( @" C8 e

; ^; Y+ Z) c$ T- S; Z# j
　　　　　图13 一个神经细胞层。

. k& J! h  o0 j, I1 \; p% P( h& J: 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:

4 T4 D1 p1 T1 }4 a
struct SNeuronLayer
{
   　// 本层使用的神经细胞数目
　  int                 　　　 m_NumNeurons;

* {1 {8 {2 x9 ^' l7 ?- `
      // 神经细胞的层
　  vector<SNeuron>   m_vecNeurons;
$ w& Q& G7 N8 q2 B
　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);
}；

) J  Q( x2 d' ?3 ~9 E" h' ?
4.4.3  CNeuralNet（神经网络类）
) n  c+ C4 E4 d$ s0 E3 D1 J4 c
　　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:

+ N$ G3 h& w. L* |0 W( G
class CNeuralNet
{
private:
    int                m_NumInputs;
+ A! _. R- h( L( e- p( s
    int                m_NumOutputs;

1 u2 W# y1 e5 a* B& u
    int                m_NumHiddenLayers;
6 j  Q; Z8 `0 _7 O3 Z
    int       　　m_NeuronsPerHiddenLyr;

5 ?; c/ q1 g% C
    // 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;

" E8 j+ d. r6 O5 q' D+ U
　　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。

5 H% i/ x5 `' N6 `, H
public:

+ w" Q9 q; v( s0 s
     CNeuralNet();
$ }9 o% r: a- `! I/ }
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。
3 D: S  C' B9 J" [
     // 由SNeurons创建网络
     void    CreateNet();

7 X* Y9 n/ J- L* ]8 {; i
我过一会儿马上就会告诉你这个函数的代码。

4 C" i4 A: V8 N  ^. \9 B
     // 从神经网络得到（读出）权重
     vector<double>   GetWeights()const;
9 }8 [+ B' a( |! _
　　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。
( G: g: ?$ b( |: K5 T
    // 返回网络的权重的总数
    int GetNumberOfWeights()const;
+ A3 @0 i" V: c+ P2 z
    // 用新的权重代替原有的权重
    void PutWeights(vector<double> &weights);

, i9 ]6 ^, o7 a( a* b# Z
        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。

/ M& Y% i( B/ [1 Z( q
     // S形响应曲线
    inline double 　Sigmoid(double activation, double response);
& X$ U: R- D4 ^7 |8 D
     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。
! W& b/ w7 M( s; T: y. L* u3 j
     // 根据一组输入，来计算输出
     vector<double> Update(vector<double> &inputs);

  J) M# g3 n8 q" }  P
对此Update函数函数我马上就会来进行注释的。
2 @& T$ C% l5 u4 |; r2 L7 y
}; // 类定义结束
. m% k( Q  Q" y, S! F3 c  j7 F
4.4.3.1  CNeuralNet::CreateNet（创建神经网络的方法）

6 n# A$ a7 f& v( c
　　 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:
% d# g+ v+ V7 I1 @
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));

/ C2 \1 y, Z0 \( D$ ]
     for( int i=O; i<m_NumHiddenLayers-l; ++i)
     {
        m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr，
                                                  m_NeuronsPerHiddenLyr));
      }

1 e) i8 ~( P+ P+ ]) I
［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));
   }

# q' P5 u7 @# l4 b, i1 `, S2 {. Z
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));
   }
}

1 g1 u: G5 K7 Z
5 [6 y0 a+ M0 I& v3 S' J
4.4.3.2  CNeuralNet::Update（神经网络的更新方法）
2 U% j: y# z0 Z* {" m, [
　　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。
9 L& {; y' K& h* d! _
       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:

4 F5 b! x. o- |( b! D
vector<double> CNeuralNet::Update(vector<double> &inputs)
{
     // 保存从每一层产生的输出
     vector<double> outputs;

" A( v+ S. Y6 b! c
     int cWeight = 0;

  i. E5 f7 h$ c6 u' X3 r
     // 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;
      }

6 {+ r5 D5 w- [3 V; y. ?
     // 对每一层,...
     for (int i=0; i<m_NumHiddenLayers+1; ++i)
     {
       if (i>O)
         {
            inputs = outputs;
         }
    outputs.clear();
, Z/ _5 y$ B" m: \+ v6 }2 I# a
    cWeight = 0;
( A4 [3 C+ B. s  ?' Z  x% O
    // 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;
0 X2 ~( U6 X5 z2 `' Y, e
          int NumInputs = m_vecLayers.m_vecNeurons[j].m_NumInputs;
" @! M! P( ]& c# f! I
         // 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++];
         }

+ ?0 X, r+ Y1 j
        // 加入偏移值
        netinput += m_vecLayers.m_vecNeurons[j].m_vecWeight[NumInputs-1] *
                    CParams::dBias;
7 W( Y8 ^( T8 }* r" y
　　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。

' k- p& U7 ?% s* f( M$ V
     // 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:
    }
  }
% ]: N  G) u6 c& x# @
  return outputs;
}

% w8 Y/ `! y# S* @& ?9 p) n: |! Y' v5 `& u
作者: fly370023196    时间: 2016-4-7 19:17
6666666666666666666666666
; ?7 i' l8 E0 T  q
作者: fly370023196    时间: 2016-4-7 19:17
66666666666666666666666664 Z( U& v$ [4 B




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