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。

2 P6 q9 n* i4 @( M% _
4.4.1  SNeuron（神经细胞的结构）

5 v* Q( S8 \* q9 ]% V$ |
　　 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。

. g" P* \/ d. Y: G3 @
Struct SNeuron
{
     // 进入神经细胞的输入个数
     int m_NumInputs;

1 z5 j0 t; s/ a; |3 \* K
     // 为每一输入提供的权重
     vector<double> m_vecWeight;

$ D4 \( n2 Z/ [' n* L4 i2 s
     //构造函数
     SNeuron(int NumInputs);
  };

4 f6 w7 W, m1 k3 F3 c
以下就是SNeuron 结构体的构造函数形式:
. J! |! H3 B7 ], i1 m' r
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。
/ p8 M: ~, b6 Z/ P
        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:

1 V8 g: J6 i1 M! [6 L4 B4 f
         w1x1 + w2x2 + w3x3 +...+ wnxn >= t

6 b, t9 Z' M- S2 j5 ]  b- p( b
　　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:

- y/ ?% D3 N# N8 e  }6 W
        w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0
$ W: W8 j" U7 d3 w- S0 Y
这个方程可以再换用一种形式写出来，如下:
, s; Q- [* a3 O' v
        w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) >= 0
$ x, B# @  \$ h1 ~
　　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。

4 ]$ d0 }3 I) W. k
8 _8 D7 P; G( G4 b: y( b* U' F& ^6 C/ Y8 n% \
. Y( c& C4 r' Y  r' n2 z6 D
图12 带偏移的人工神经细胞。
- {/ C  p& N" [/ 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。

, O& d! l, m: D% Y: h( l3 B+ j* \
& {3 r$ N$ I: a8 r( R" Z
: C8 g4 v4 P7 E$ s' |% G4 b
0 K) p% _3 B/ b! H; N
& T# C0 h0 {( Q, H
　　　　　图13 一个神经细胞层。

( j  I" P3 ]1 l/ d# ~
　　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:

: |% d% F2 O. p
struct SNeuronLayer
{
   　// 本层使用的神经细胞数目
　  int                 　　　 m_NumNeurons;

) \# l7 x- @* a9 `; k+ f6 A0 O! U
      // 神经细胞的层
　  vector<SNeuron>   m_vecNeurons;
& c' R: W, _; p3 _# S
　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);
}；

3 K( q( O% z3 |# U
4.4.3  CNeuralNet（神经网络类）
) ?4 ?$ a5 a: P, G  T9 h) ]
　　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:
& `2 a) h3 \$ [: Z, z( O
class CNeuralNet
{
private:
    int                m_NumInputs;

" _, l' l/ S$ B# N
    int                m_NumOutputs;

/ b0 `* E9 J+ A5 e5 D* a+ V2 z
    int                m_NumHiddenLayers;
& R+ x1 q- U4 x# M! s! L" r
    int       　　m_NeuronsPerHiddenLyr;

$ u3 K5 i; i9 `% E% _/ z: l% g
    // 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;

  q$ @5 _4 w- \) f* R/ f
　　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。

7 C' b' o& C; i9 |3 U# r; O# `
public:
% S1 y" \3 H' d* F: F* E" {
     CNeuralNet();

4 A# t; R  @$ s) F3 z
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。

) K; i7 {. ]! P+ M3 ~
     // 由SNeurons创建网络
     void    CreateNet();

3 g4 t/ J# b' Z7 t8 l3 J$ v! n6 r
我过一会儿马上就会告诉你这个函数的代码。

# Z) r; G( ?- f8 x
     // 从神经网络得到（读出）权重
     vector<double>   GetWeights()const;
" {9 V5 h0 ~0 ]. B" M! T0 S
　　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。
, C0 B) l! V, B
    // 返回网络的权重的总数
    int GetNumberOfWeights()const;
% N# o7 w2 B( O
    // 用新的权重代替原有的权重
    void PutWeights(vector<double> &weights);
- g% a0 Z5 U0 \1 N$ o
        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 t; [- F' E; K& J! r9 u: B# n) B2 }; u  @
     // S形响应曲线
    inline double 　Sigmoid(double activation, double response);

2 \, J; t- K' v* B$ }: M; z3 E9 i5 n
     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。
6 h8 W1 V. G* S) E9 j
     // 根据一组输入，来计算输出
     vector<double> Update(vector<double> &inputs);
# c% j- Y- q& X# {
对此Update函数函数我马上就会来进行注释的。

. O7 E5 Z/ l5 s% d2 s
}; // 类定义结束
& \+ q. q; Y$ b2 D. P& Q
4.4.3.1  CNeuralNet::CreateNet（创建神经网络的方法）
# x7 u7 h: M* w/ C  e8 k
　　 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:

. s% M& u7 K" ~8 O/ W
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));

$ j: R9 N) F8 s1 s: j5 A: |& @4 E. E
     for( int i=O; i<m_NumHiddenLayers-l; ++i)
     {
        m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr，
                                                  m_NeuronsPerHiddenLyr));
      }

9 ?) N3 D2 `1 I# V
［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));
   }
+ m3 i! _3 A8 T) l% Z( 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));
   }
}
" c& k& v' }# {/ p; L$ M  V, G
" `+ T+ o5 N/ K8 G
4.4.3.2  CNeuralNet::Update（神经网络的更新方法）
, ^$ S! x0 q! u. o- 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。

& z. N  ?$ ?/ n& p" X
       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:

0 ]8 D# h5 h0 f5 z; b2 p
vector<double> CNeuralNet::Update(vector<double> &inputs)
{
     // 保存从每一层产生的输出
     vector<double> outputs;
' h# i4 j4 T% m) t, B
     int cWeight = 0;
) l, |% a8 h& P. |; `
     // 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;
      }

7 O" R8 o5 i. S) ]( p
     // 对每一层,...
     for (int i=0; i<m_NumHiddenLayers+1; ++i)
     {
       if (i>O)
         {
            inputs = outputs;
         }
    outputs.clear();
; H% ^0 _8 c5 y; K* Y6 X& k
    cWeight = 0;

; Z2 [, e3 _% ?* W+ Z  {7 f) @
    // 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;

6 a( I9 ^1 ^- r5 q2 z! B$ _6 W
          int NumInputs = m_vecLayers.m_vecNeurons[j].m_NumInputs;
7 |' U6 E0 ~- c9 h- a
         // 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++];
         }

/ l  e* S& @$ `6 F5 k0 C& T2 T' ]1 `
        // 加入偏移值
        netinput += m_vecLayers.m_vecNeurons[j].m_vecWeight[NumInputs-1] *
                    CParams::dBias;
( h& [+ A- b% l( q. {
　　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。

  T( Z6 ]; I  n
     // 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:
    }
  }
% Z9 @" o: S' r6 Y
  return outputs;
}
5 E' w6 m7 R) t- c) e
9 A( E/ j4 |* k  A
作者: fly370023196    时间: 2016-4-7 19:17
6666666666666666666666666
1 g( C' N9 `' A' [( v8 ^+ F
作者: fly370023196    时间: 2016-4-7 19:17
6666666666666666666666666
) O- O) z1 `0 Y$ n



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