您当前的位置:首页 > 美文摘抄 > 内容

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

关于【橘猫为什么叫橘猪】,橘猫为啥叫橘猫,今天犇犇小编给您分享一下,如果对您有所帮助别忘了关注本站哦。

内容导航:1、「Python」零起步数学+神经网络入门2、橘猫为什么叫橘猪

1、「Python」零起步数学+神经网络入门

摘要:手把手教你用(Python)零起步数学+神经网络入门!

在这篇文章中,我们将在Python中从头开始了解用于构建具有各种层神经网络(完全连接,卷积等)的小型库中的机器学习和代码。最终,我们将能够写出如下内容:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

假设你对神经网络已经有一定的了解,这篇文章的目的不是解释为什么构建这些模型,而是要说明如何正确实现。

逐层

我们这里需要牢记整个框架:

1. 将数据输入神经网络

2. 在得出输出之前,数据从一层流向下一层

3. 一旦得到输出,就可以计算出一个标量误差。

4. 最后,可以通过相对于参数本身减去误差的导数来调整给定参数(权重或偏差)。

5. 遍历整个过程。

最重要的一步是第四步。 我们希望能够拥有任意数量的层,以及任何类型的层。 但是如果修改/添加/删除网络中的一个层,网络的输出将会改变,误差也将改变,误差相对于参数的导数也将改变。无论网络架构如何、激活函数如何、损失如何,都必须要能够计算导数。

为了实现这一点,我们必须分别实现每一层。

每个层应该实现什么

我们可能构建的每一层(完全连接,卷积,最大化,丢失等)至少有两个共同点:输入和输出数据。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

现在重要的一部分

假设给出一个层相对于其输出(∂E/∂Y)误差的导数,那么它必须能够提供相对于其输入(∂E/∂X)误差的导数。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

记住,Eæ˜¯æ ‡é‡ï¼ˆä¸€ä¸ªæ•°å­—ï¼‰ï¼ŒX和Y是矩阵。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

我们可以使用链规则轻松计算∂E/∂X的元素:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

为什么是∂E/∂X?

对于每一层,我们需要相对于其输入的误差导数,因为它将是相对于前一层输出的误差导数。这非常重要,这是理解反向传播的关键!在这之后,我们将能够立即从头开始编写深度卷积神经网络!

花样图解

基本上,对于前向传播,我们将输入数据提供给第一层,然后每层的输出成为下一层的输入,直到到达网络的末端。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

对于反向传播,我们只是简单使用链规则来获得需要的导数。这就是为什么每一层必须提供其输出相对于其输入的导数。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

这可能看起来很抽象,但是当我们将其应用于特定类型的层时,它将变得非常清楚。现在是编写第一个python类的好时机。

抽象基类:Layer

所有其它层将继承的抽象类Layer会处理简单属性,这些属性是输入,输出以及前向和反向方法。

from abc import abstractmethod# Base classclass Layer: def __init__(self): self.input = None; self.output = None; self.input_shape = None; self.output_shape = None; # computes the output Y of a layer for a given input X @abstractmethod def forward_propagation(self, input): raise NotImplementedError # computes dE/dX for a given dE/dY (and update parameters if any) @abstractmethod def backward_propagation(self, output_error, learning_rate): raise NotImplementedError

正如你所看到的,在back_propagation函数中,有一个我没有提到的参数,它是learning_rate。 此参数应该类似于更新策略或者在Keras中调用它的优化器,为了简单起见,我们只是通过学习率并使用梯度下降更新我们的参数。

全连接层

现在先定义并实现第一种类型的网络层:全连接层或FC层。FC层是最基本的网络层,因为每个输入神经元都连接到每个输出神经元。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

前向传播

每个输出神经元的值由下式计算:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

使用矩阵,可以使用点积来计算每一个输出神经元的值:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

当完成前向传播之后,现在开始做反向传播。

反向传播

正如我们所说,假设我们有一个矩阵,其中包含与该层输出相关的误差导数(∂E/∂Y)。 我们需要 :

1.关于参数的误差导数(∂E/∂W,∂E/∂B)

2.关于输入的误差导数(∂E/∂X)

首先计算∂E/∂W,该矩阵应与W本身的大小相同:对于ixj,其中i是输入神经元的数量,j是输出神经元的数量。每个权重都需要一个梯度:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

使用前面提到的链规则,可以写出:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

那么:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

这就是更新权重的第一个公式!现在开始计算∂E/∂B:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

同样,∂E/∂B需要与B本身具有相同的大小,每个偏差一个梯度。 我们可以再次使用链规则:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

得出结论:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

现在已经得到∂E/∂W和∂E/∂B,我们留下∂E/∂X这是非常重要的,因为它将“作用”为之前层的∂E/∂Y。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

再次使用链规则:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

最后,我们可以写出整个矩阵:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

我们已经得到FC层所需的三个公式!

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

编码全连接层

现在我们可以用Python编写实现:

from layer import Layerimport numpy as np# inherit from base class Layerclass FCLayer(Layer): # input_shape = (1,i) i the number of input neurons # output_shape = (1,j) j the number of output neurons def __init__(self, input_shape, output_shape): self.input_shape = input_shape; self.output_shape = output_shape; self.weights = np.random.rand(input_shape[1], output_shape[1]) - 0.5; self.bias = np.random.rand(1, output_shape[1]) - 0.5; # returns output for a given input def forward_propagation(self, input): self.input = input; self.output = np.dot(self.input, self.weights) + self.bias; return self.output; # computes dE/dW, dE/dB for a given output_error=dE/dY. Returns input_error=dE/dX. def backward_propagation(self, output_error, learning_rate): input_error = np.dot(output_error, self.weights.T); dWeights = np.dot(self.input.T, output_error); # dBias = output_error # update parameters self.weights -= learning_rate * dWeights; self.bias -= learning_rate * output_error; return input_error;

激活层

到目前为止所做的计算都完全是线性的。用这种模型学习是没有希望的,需要通过将非线性函数应用于某些层的输出来为模型添加非线性。

现在我们需要为这种新类型的层(激活层)重做整个过程!

不用担心,因为此时没有可学习的参数,过程会快点,只需要计算∂E/∂X。

我们将f和f'分别称为激活函数及其导数。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

前向传播

正如将看到的,它非常简单。对于给定的输入X,输出是关于每个X元素的激活函数,这意味着输入和输出具有相同的大小。

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

反向传播

给出∂E/∂Y,需要计算∂E/∂X

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

注意,这里我们使用两个矩阵之间的每个元素乘法(而在上面的公式中,它是一个点积)

编码实现激活层

激活层的代码非常简单:

from layer import Layer# inherit from base class Layerclass ActivationLayer(Layer): # input_shape = (1,i) i the number of input neurons def __init__(self, input_shape, activation, activation_prime): self.input_shape = input_shape; self.output_shape = input_shape; self.activation = activation; self.activation_prime = activation_prime; # returns the activated input def forward_propagation(self, input): self.input = input; self.output = self.activation(self.input); return self.output; # Returns input_error=dE/dX for a given output_error=dE/dY. # learning_rate is not used because there is no "learnable" parameters. def backward_propagation(self, output_error, learning_rate): return self.activation_prime(self.input) * output_error;

可以在单独的文件中编写一些激活函数以及它们的导数,稍后将使用它们构建ActivationLayer:

import numpy as np# activation function and its derivativedef tanh(x): return np.tanh(x);def tanh_prime(x): return 1-np.tanh(x)**2;

损失函数

到目前为止,对于给定的层,我们假设给出了∂E/∂Y(由下一层给出)。但是最后一层怎么得到∂E/∂Y?我们通过简单地手动给出最后一层的∂E/∂Y,它取决于我们如何定义误差。

网络的误差由自己定义,该误差衡量网络对给定输入数据的好坏程度。有许多方法可以定义误差,其中一种最常见的叫做MSE - Mean Squared Error:

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

其中y *和y分别表示期望的输出和实际输出。你可以将损失视为最后一层,它将所有输出神经元吸收并将它们压成一个神经元。与其他每一层一样,需要定义∂E/∂Y。除了现在,我们终于得到E!

橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)

以下是两个python函数,可以将它们放在一个单独的文件中,将在构建网络时使用。

import numpy as np# loss function and its derivativedef mse(y_true, y_pred): return np.mean(np.power(y_true-y_pred, 2));def mse_prime(y_true, y_pred): return 2*(y_pred-y_true)/y_true.size;

网络类

到现在几乎完成了!我们将构建一个Network类来创建神经网络,非常容易,类似于第一张图片!

我注释了代码的每一部分,如果你掌握了前面的步骤,那么理解它应该不会太复杂。

from layer import Layerclass Network: def __init__(self): self.layers = []; self.loss = None; self.loss_prime = None; # add layer to network def add(self, layer): self.layers.append(layer); # set loss to use def use(self, loss, loss_prime): self.loss = loss; self.loss_prime = loss_prime; # predict output for given input def predict(self, input): # sample dimension first samples = len(input); result = []; # run network over all samples for i in range(samples): # forward propagation output = input[i]; for layer in self.layers: # output of layer l is input of layer l+1 output = layer.forward_propagation(output); result.append(output); return result; # train the network def fit(self, x_train, y_train, epochs, learning_rate): # sample dimension first samples = len(x_train); # training loop for i in range(epochs): err = 0; for j in range(samples): # forward propagation output = x_train[j]; for layer in self.layers: output = layer.forward_propagation(output); # compute loss (for display purpose only) err += self.loss(y_train[j], output); # backward propagation error = self.loss_prime(y_train[j], output); # loop from end of network to beginning for layer in reversed(self.layers): # backpropagate dE error = layer.backward_propagation(error, learning_rate); # calculate average error on all samples err /= samples; print('epoch %d/%d error=%f' % (i+1,epochs,err));

构建一个神经网络

最后!我们可以使用我们的类来创建一个包含任意数量层的神经网络!为了简单起见,我将向你展示如何构建......一个XOR。

from network import Networkfrom fc_layer import FCLayerfrom activation_layer import ActivationLayerfrom losses import *from activations import *import numpy as np# training datax_train = np.array([[[0,0]], [[0,1]], [[1,0]], [[1,1]]]);y_train = np.array([[[0]], [[1]], [[1]], [[0]]]);# networknet = Network();net.add(FCLayer((1,2), (1,3)));net.add(ActivationLayer((1,3), tanh, tanh_prime));net.add(FCLayer((1,3), (1,1)));net.add(ActivationLayer((1,1), tanh, tanh_prime));# trainnet.use(mse, mse_prime);net.fit(x_train, y_train, epochs=1000, learning_rate=0.1);# testout = net.predict(x_train);print(out);

同样,我认为不需要强调很多事情,只需要仔细训练数据,应该能够先获得样本维度。例如,对于xor问题,样式应为(4,1,2)。

结果

$ python xor.py epoch 1/1000 error=0.322980epoch 2/1000 error=0.311174epoch 3/1000 error=0.307195...epoch 998/1000 error=0.000243epoch 999/1000 error=0.000242epoch 1000/1000 error=0.000242[array([[ 0.00077435]]), array([[ 0.97760742]]), array([[ 0.97847793]]), array([[-0.00131305]])]

卷积层

这篇文章开始很长,所以我不会描述实现卷积层的所有步骤。但是,这是我做的一个实现:

from layer import Layerfrom scipy import signalimport numpy as np# inherit from base class Layer# This convolutional layer is always with stride 1class ConvLayer(Layer): # input_shape = (i,j,d) # kernel_shape = (m,n) # layer_depth = output depth def __init__(self, input_shape, kernel_shape, layer_depth): self.input_shape = input_shape; self.input_depth = input_shape[2]; self.kernel_shape = kernel_shape; self.layer_depth = layer_depth; self.output_shape = (input_shape[0]-kernel_shape[0]+1, input_shape[1]-kernel_shape[1]+1, layer_depth); self.weights = np.random.rand(kernel_shape[0], kernel_shape[1], self.input_depth, layer_depth) - 0.5; self.bias = np.random.rand(layer_depth) - 0.5; # returns output for a given input def forward_propagation(self, input): self.input = input; self.output = np.zeros(self.output_shape); for k in range(self.layer_depth): for d in range(self.input_depth): self.output[:,:,k] += signal.correlate2d(self.input[:,:,d], self.weights[:,:,d,k], 'valid') + self.bias[k]; return self.output; # computes dE/dW, dE/dB for a given output_error=dE/dY. Returns input_error=dE/dX. def backward_propagation(self, output_error, learning_rate): in_error = np.zeros(self.input_shape); dWeights = np.zeros((self.kernel_shape[0], self.kernel_shape[1], self.input_depth, self.layer_depth)); dBias = np.zeros(self.layer_depth); for k in range(self.layer_depth): for d in range(self.input_depth): in_error[:,:,d] += signal.convolve2d(output_error[:,:,k], self.weights[:,:,d,k], 'full'); dWeights[:,:,d,k] = signal.correlate2d(self.input[:,:,d], output_error[:,:,k], 'valid'); dBias[k] = self.layer_depth * np.sum(output_error[:,:,k]); self.weights -= learning_rate*dWeights; self.bias -= learning_rate*dBias; return in_error;

它背后的数学实际上并不复杂!这是一篇很好的文章,你可以找到∂E/∂W,∂E/∂B和∂E/∂X的解释和计算。

如果你想验证你的理解是否正确,请尝试自己实现一些网络层,如MaxPooling,Flatten或Dropout

GitHub库

你可以在GitHub库中找到用于该文章的完整代码。

本文由阿里云云栖社区组织翻译。

文章原标题《math-neural-network-from-scratch-in-python》

作者:Omar Aflak 译者:虎说八道,审校:袁虎。

2、橘猫为什么叫橘猪

橘猫为什么叫橘猪

一直以来,猫咪都是很受欢迎的动物,它们时而高冷,时而粘人,虽然性格不太稳定,但是单凭它们呆萌的外表,就可以把人萌得不要不要的。现在养猫的队伍也是越来越壮大,不少小伙伴都加入了养猫大军,大家的猫咪品种也是各不相同,有的喜欢小仙女布偶猫,有的喜欢甜甜的英国短毛猫,还有的喜欢大型的猫咪,就比如缅因猫,当抱枕啥的,最适合不过了。

国外有位女子就养了一只缅因猫,确切来说,它是一只缅因橘猫!众所周知,橘猫都是非常能吃的动物,它们不娇贵,很容易养,就算是简单的饭菜,照样也可以吃得香香的,平时也不喜欢运动,所以特别容易长胖。更何况这是一只缅因猫,本来就属于大型猫咪,胖起来更是不得了呢!

刚开始女主人买回来的时候,还没有这么大,但是这家伙总是胡吃海喝,才一年的时间,就胖成这样了,平时女主人抱着它的时候,可费劲儿呢,别的铲屎官抱着猫咪,都是满满的温馨感,但是这位女主人抱着巨大的缅因猫,还是挺壮观的呢。有网友还说:“胖得难以置信,哪儿来的巨型橘猪啊!”

它和狗子比起来,简直胖得不止一点点……估计牧羊犬看到这橘猫也是惊呆了:“我俩毛色差不多,为何你的体重如此突出呢?”橘猫别过头去不作回答,但是没过多久,大家都知道了答案~

那就是经过一张桌子的时候,橘猫好奇地垫着脚观察,想看看上面有没有什么好吃的,但是很遗憾,除了盆栽也没别的什么了。橘猫:“唉,浪费本喵的表情诶,怎么啥都没有啊……”

缅因的被毛颜色非常多,除了橘色,还有巧克力色,红棕色,银白等等,有的会带有斑点或者条纹,看起来更加洋气。别看缅因猫这么大一只,它们的性格非常温顺,是善解人意的好猫咪~叫声与其他猫咪不同,缅因猫声音动听,是类似于小鸟一般的“唧唧”声。

橘猫为什么叫橘猪

一直以来,猫咪都是很受欢迎的动物,它们时而高冷,时而粘人,虽然性格不太稳定,但是单凭它们呆萌的外表,就可以把人萌得不要不要的。现在养猫的队伍也是越来越壮大,不少小伙伴都加入了养猫大军,大家的猫咪品种也是各不相同,有的喜欢小仙女布偶猫,有的喜欢甜甜的英国短毛猫,还有的喜欢大型的猫咪,就比如缅因猫,当抱枕啥的,最适合不过了。

国外有位女子就养了一只缅因猫,确切来说,它是一只缅因橘猫!众所周知,橘猫都是非常能吃的动物,它们不娇贵,很容易养,就算是简单的饭菜,照样也可以吃得香香的,平时也不喜欢运动,所以特别容易长胖。更何况这是一只缅因猫,本来就属于大型猫咪,胖起来更是不得了呢!

刚开始女主人买回来的时候,还没有这么大,但是这家伙总是胡吃海喝,才一年的时间,就胖成这样了,平时女主人抱着它的时候,可费劲儿呢,别的铲屎官抱着猫咪,都是满满的温馨感,但是这位女主人抱着巨大的缅因猫,还是挺壮观的呢。有网友还说:“胖得难以置信,哪儿来的巨型橘猪啊!”

它和狗子比起来,简直胖得不止一点点……估计牧羊犬看到这橘猫也是惊呆了:“我俩毛色差不多,为何你的体重如此突出呢?”橘猫别过头去不作回答,但是没过多久,大家都知道了答案~

那就是经过一张桌子的时候,橘猫好奇地垫着脚观察,想看看上面有没有什么好吃的,但是很遗憾,除了盆栽也没别的什么了。橘猫:“唉,浪费本喵的表情诶,怎么啥都没有啊……”

缅因的被毛颜色非常多,除了橘色,还有巧克力色,红棕色,银白等等,有的会带有斑点或者条纹,看起来更加洋气。别看缅因猫这么大一只,它们的性格非常温顺,是善解人意的好猫咪~叫声与其他猫咪不同,缅因猫声音动听,是类似于小鸟一般的“唧唧”声。

橘猫为什么叫橘猪

橘猫怎么养不胖

1、有寄生虫很难长肉

猫咪喂不胖的原因可能是长期没有进行体内驱虫,身体里有寄生虫,体内的寄生虫把猫咪摄入的营养都窃取了,也会影响猫咪身体的成长发育,严重时猫咪是会拉出寄生虫的,宠物主人可以观察猫咪的便便,一般三个月以上的猫咪就可以进行定期驱虫,如果不清楚的宠物主人建议到医院做个便检,然后有虫的话根据虫体的类型来选择驱虫药给猫咪喂食就可以了。

2、不健康的.肠胃也很难吸收营养

橘猫的肠胃是比较敏感特殊的,宠物主人需要呵护好猫咪的肠胃,如果肠胃不好的话吃进去的食物就得不到很好的消化,营养自然得不到很好的吸收,时间长了身体就会变得比较消瘦,怎么样才让猫咪有一副好的肠胃这个很重要,要从平时的饮食入手,合理的喂食,哪些是猫咪该吃的,哪些是不能够吃的,不要让猫咪的肚子着凉或者受寒,每天保持适当的运动。

3、合理喂食很重要

怎么样才算合理喂食呢,猫咪吃的食物应该是适合猫咪的,这个需要结合自家猫咪的实际情况来定,然后喂食应该定时定点,发育期间的猫咪尽可能的采取少量多餐的喂食方式,食物要多样化,可在里边加入营养膏。定期喂食营养餐,如经常喂食单一的食物橘猫是很难长肉的。

本文关键词:橘猫为啥叫橘猫,橘猫是一种猪,橘猫都叫什么名字,橘猫为什么叫橘猪呢,橘猫其实是一种猪。这就是关于《橘猫为什么叫橘猪,橘猫为啥叫橘猫(零起步数学+神经网络入门)》的所有内容,希望对您能有所帮助!


声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,谢谢。

上一篇: 哪些人不适合练瑜伽,哪些人不适合练习瑜伽呢(盘点最好不要做瑜伽的4类人)

下一篇: 真正的死神图片,十二星座死神照片(今日好看壁纸~死神特辑第二弹)



推荐阅读

网站内容来自网络,如有侵权请联系我们,立即删除! | 软文发布 | 粤ICP备2021106084号