我见过的最脑残也是最好懂的人工神经网络算法教程（四）

数学中国YY主管

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 e3 p6 V+ o# |7 ]8 V+ ~' Z+ ]

4.4.1  SNeuron（神经细胞的结构）

. d7 h& E& ^- ^# b. t6 e* S

　　 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。

% F; h1 `& j  [

Struct SNeuron

{

     // 进入神经细胞的输入个数

     int m_NumInputs;

+ a5 N" t7 ]- W5 ]$ a1 D7 w4 M

     // 为每一输入提供的权重

     vector<double> m_vecWeight;

     //构造函数

     SNeuron(int NumInputs);

  };

" V4 ]! f  r* T& |" z+ o4 ]

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:

9 s8 ^5 t: V9 }3 }( |

        w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0

. K2 r, W' s9 o

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。

9 P# M: ?: p% _' X

图12 带偏移的人工神经细胞。

2 [6 y& y* I- _

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。

6 N) E0 Z9 S; A



3 Y' F0 R* K: d) h* X

　　　　　图13 一个神经细胞层。

+ }# x( H- z4 U# f& d" N$ ^

　　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:

$ A( @$ d) V7 R* W; P& o

struct SNeuronLayer

{

   　// 本层使用的神经细胞数目

　  int                 　　　 m_NumNeurons;

. ^  g6 ^0 O& m" G; f

      // 神经细胞的层

　  vector<SNeuron>   m_vecNeurons;

, w5 d6 L# s8 }! y: ]

　 SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);

}；

! u( M4 t& `; c

4.4.3  CNeuralNet（神经网络类）

; ]# w' X, `5 ~

　　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 E# K8 L; w9 k' r

class CNeuralNet

{

private:

    int                m_NumInputs;

    int                m_NumOutputs;

    int                m_NumHiddenLayers;

7 y/ F3 c2 p& U9 @* ^5 E: t

    int       　　m_NeuronsPerHiddenLyr;

/ Q$ i) @0 {% p( x- k5 D4 o1 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;

　　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。

6 J# _/ }7 H/ F+ |

     // 由SNeurons创建网络

     void    CreateNet();

/ j, m' T9 ?4 o- C$ c6 t

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。

$ U; `9 t. O  g9 R

    // 返回网络的权重的总数

    int GetNumberOfWeights()const;

+ h3 E. E  x0 ?" j$ M0 g1 [2 u

    // 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。

2 S7 D" W) V; `+ X: F& E, Y

     // S形响应曲线

    inline double 　Sigmoid(double activation, double response);

% K2 `- O* D( p: |- ~8 O6 B7 h

     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。

! }8 o9 k# |8 J: C2 b: B

     // 根据一组输入，来计算输出

     vector<double> Update(vector<double> &inputs);

2 B: H* J) R) |5 M, u8 h- n" Z

对此Update函数函数我马上就会来进行注释的。

* Z* _1 e8 S" Z# ^/ T' H

}; // 类定义结束

8 [0 I5 ]; j# w8 C( r- i# M9 \

4.4.3.1  CNeuralNet::CreateNet（创建神经网络的方法）

, O9 l( [4 B7 w; ^

　　 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));

   }

$ |3 X( @  {3 _* L# O" J

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));

   }

}

& p( H- a  ~3 u: b. R
0 P5 B- y9 |6 b

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:

" c1 X  }1 W$ ?) O7 a: G

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;

( W' k( G0 G! _& Q

    // 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" W  v( {5 k$ @4 h* h# ~

          int NumInputs = m_vecLayers.m_vecNeurons[j].m_NumInputs;

+ O4 r9 Q4 y1 S7 `5 J- R

         // 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++];

         }

        // 加入偏移值

        netinput += m_vecLayers.m_vecNeurons[j].m_vecWeight[NumInputs-1] *

                    CParams::dBias;

9 S" c' t# c- l' w

　　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:

    }

  }

! |  N  a. j% t4 |( A: @  g6 l4 ]1 Q

  return outputs;

}

* P5 Y) w# q: I

fly370023196

6666666666666666666666666

fly370023196

6666666666666666666666666
) o8 }; u5 j$ b8 n