多層神經(jīng)網(wǎng)絡(luò)MLP快速入門

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)交流報告1編輯ppt目錄CONTENTE神經(jīng)元模型1感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)2應(yīng)用一：MLP分類器3應(yīng)用二：MLP的3D可視化42編輯ppt神經(jīng)元模型人工神經(jīng)網(wǎng)絡(luò)（ann）是一種計算模型，啟發(fā)自人類大腦處理信息的生物神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)在語音識別、計算機(jī)視覺和自然語言理領(lǐng)域取得了一系列突破，讓機(jī)器學(xué)習(xí)研究和產(chǎn)業(yè)興奮了起來。神經(jīng)網(wǎng)絡(luò)（neuralnetworks）方面的研究很早就已經(jīng)出現(xiàn)，今天“神經(jīng)網(wǎng)絡(luò)”已是一個相當(dāng)大的、多學(xué)科交叉的學(xué)科領(lǐng)域。神經(jīng)網(wǎng)絡(luò)中最基本的成分是神經(jīng)元（neuron）模型，一般稱作「節(jié)點(diǎn)」（node）或者「單元」（unit）。節(jié)點(diǎn)從其他節(jié)點(diǎn)接收輸入，或者從外部源接收輸入，然后計算輸出。每個輸入都輔有「權(quán)重」（weight，即w），權(quán)重取決于其他輸入的相對重要性。節(jié)點(diǎn)將函數(shù)f（定義如下）應(yīng)用到加權(quán)后的輸入總和，如圖1所示：3編輯ppt神經(jīng)元模型還有配有權(quán)重b（稱為「偏置（bias）」或者「閾值（threshold）」）的輸入1。4編輯ppt神經(jīng)元模型函數(shù)f是非線性的，叫做激活函數(shù)。激活函數(shù)的作用是將非線性引入神經(jīng)元的輸出。因?yàn)榇蠖鄶?shù)現(xiàn)實(shí)世界的數(shù)據(jù)都是非線性的，我們希望神經(jīng)元能夠?qū)W習(xí)非線性的函數(shù)表示，所以這種應(yīng)用至關(guān)重要。每個（非線性）激活函數(shù)都接收一個數(shù)字，并進(jìn)行特定、固定的數(shù)學(xué)計算。在實(shí)踐中，可能會碰到幾種激活函數(shù)：Sigmoid（S型激活函數(shù)）：輸入一個實(shí)值，輸出一個0至1間的值σ(x)=1/(1+exp(?x))tanh（雙曲正切函數(shù)）：輸入一個實(shí)值，輸出一個[-1,1]間的值tanh(x)=2σ(2x)?1ReLU：ReLU代表修正線性單元。輸出一個實(shí)值，并設(shè)定0的閾值（函數(shù)會將負(fù)值變?yōu)榱悖ゝ(x)=max(0,x)5編輯ppt神經(jīng)元模型將上述情形抽象，就是一直沿用至今的“M-P”神經(jīng)元模型。在這個模型中，神經(jīng)元收到來自n個其他神經(jīng)元傳遞來的輸入信號，這些輸入信號通過帶權(quán)重（w）連接進(jìn)行傳遞，神經(jīng)元接收到的輸入值將與神經(jīng)元的閾值進(jìn)行比較，然后通過“激活函數(shù)”得到神經(jīng)元的輸出。6編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)前饋神經(jīng)網(wǎng)絡(luò)是最先發(fā)明也是最簡單的人工神經(jīng)網(wǎng)絡(luò)。它包含了安排在多個層中的多個神經(jīng)元（節(jié)點(diǎn)）。相鄰層的節(jié)點(diǎn)有連接或者邊（edge）。所有的連接都配有權(quán)重。7編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)一個前饋神經(jīng)網(wǎng)絡(luò)可以包含三種節(jié)點(diǎn)：1.輸入節(jié)點(diǎn)：輸入節(jié)點(diǎn)從外部世界提供信息，總稱為「輸入層」。在輸入節(jié)點(diǎn)中，不進(jìn)行任何的計算——僅向隱藏節(jié)點(diǎn)傳遞信息。2.隱藏節(jié)點(diǎn)：隱藏節(jié)點(diǎn)和外部世界沒有直接聯(lián)系（由此得名）。這些節(jié)點(diǎn)進(jìn)行計算，并將信息從輸入節(jié)點(diǎn)傳遞到輸出節(jié)點(diǎn)。隱藏節(jié)點(diǎn)總稱為「隱藏層」。盡管一個前饋神經(jīng)網(wǎng)絡(luò)只有一個輸入層和一個輸出層，但網(wǎng)絡(luò)里可以沒有也可以有多個隱藏層。3.輸出節(jié)點(diǎn)：輸出節(jié)點(diǎn)總稱為「輸出層」，負(fù)責(zé)計算，并從網(wǎng)絡(luò)向外部世界傳遞信息。在前饋網(wǎng)絡(luò)中，信息只單向移動——從輸入層開始前向移動，然后通過隱藏層（如果有的話），再到輸出層。在網(wǎng)絡(luò)中沒有循環(huán)或回路（前饋神經(jīng)網(wǎng)絡(luò)的這個屬性和遞歸神經(jīng)網(wǎng)絡(luò)不同，后者的節(jié)點(diǎn)連接構(gòu)成循環(huán)）。8編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)多層感知器（MultiLayerPerceptron，即MLP）包括至少一個隱藏層（除了一個輸入層和一個輸出層以外）。單層感知器只能學(xué)習(xí)線性函數(shù)，而多層感知器也可以學(xué)習(xí)非線性函數(shù)。9編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練我們的多層感知器BP算法（backpropagation），反向傳播誤差算法，是幾種訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的方法之一。這是一種監(jiān)督學(xué)習(xí)方法，即通過標(biāo)記的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)（有監(jiān)督者來引導(dǎo)學(xué)習(xí)）。由前向傳播和后向傳播構(gòu)成。簡單說來，BackProp就像「從錯誤中學(xué)習(xí)」。監(jiān)督者在人工神經(jīng)網(wǎng)絡(luò)犯錯誤時進(jìn)行糾正。學(xué)習(xí)的目的是為分配正確的權(quán)重。通過輸入向量，這些權(quán)重可以決定輸出向量。前向傳播：最初，所有的邊權(quán)重（edgeweight）都是隨機(jī)分配的。對于所有訓(xùn)練數(shù)據(jù)集中的輸入，人工神經(jīng)網(wǎng)絡(luò)都被激活，并且觀察其輸出。后向傳播：這些輸出會和我們已知的、期望的輸出進(jìn)行比較，誤差會「傳播」回上一層。該誤差會被標(biāo)注，權(quán)重也會被相應(yīng)的「調(diào)整」。該流程重復(fù)，直到輸出誤差低于制定的標(biāo)準(zhǔn)。10編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)上述算法結(jié)束后，我們就得到了一個學(xué)習(xí)過的人工神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)被認(rèn)為是可以接受「新」輸入的。該人工神經(jīng)網(wǎng)絡(luò)可以說從幾個樣本（標(biāo)注數(shù)據(jù)）和其錯誤（誤差傳播）中得到了學(xué)習(xí)。然后我們看一個案例。11編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)我們通常在感知器的輸出層中使用Softmax函數(shù)作為激活函數(shù)，以保證輸出的是概率并且相加等于1。Softmax函數(shù)接收一個隨機(jī)實(shí)值的分?jǐn)?shù)向量，轉(zhuǎn)化成多個介于0和1之間、并且總和為1的多個向量值。所以，在這個例子中：概率（Pass）+概率（Fail）=112編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)13編輯ppt感知機(jī)與多層神經(jīng)網(wǎng)絡(luò)如果我們現(xiàn)在再次向網(wǎng)絡(luò)輸入同樣的樣本，網(wǎng)絡(luò)應(yīng)該比之前有更好的表現(xiàn)，因?yàn)闉榱俗钚』`差，已經(jīng)調(diào)整了權(quán)重。如圖7所示，和之前的[0.6,-0.4]相比，輸出節(jié)點(diǎn)的誤差已經(jīng)減少到了[0.2,-0.2]。這意味著我們的網(wǎng)絡(luò)已經(jīng)學(xué)習(xí)了如何正確對第一個訓(xùn)練樣本進(jìn)行分類。14編輯ppt應(yīng)用一：MLP分類器15編輯ppt應(yīng)用一：MLP分類器16編輯ppt應(yīng)用一：MLP分類器17編輯ppt應(yīng)用一：MLP分類器18編輯ppt應(yīng)用一：MLP分類器19編輯ppt應(yīng)用一：MLP分類器20編輯ppt應(yīng)用一：MLP分類器21編輯ppt應(yīng)用一：MLP分類器22編輯ppt應(yīng)用一：MLP分類器23編輯ppt應(yīng)用二：MLP的3D可視化AdamHarley創(chuàng)造了一個多層感知器的3D可視化（http://scs.ryerson.ca/~aharley/vis/fc/），并已經(jīng)開始使用MNIST數(shù)據(jù)庫手寫的數(shù)字進(jìn)行訓(xùn)練。此網(wǎng)絡(luò)從一個28x28的手寫數(shù)字圖像接受784個數(shù)字像素值作為輸入（在輸入層有對應(yīng)的784個節(jié)點(diǎn)）。網(wǎng)絡(luò)的第一個隱藏層有300個節(jié)點(diǎn)，第二個隱藏層有100個節(jié)點(diǎn)，輸出層有10個節(jié)點(diǎn)（對應(yīng)10個數(shù)字）。雖然這個網(wǎng)絡(luò)跟我們剛才討論的相比大了很多（使用了更多的隱藏層和節(jié)點(diǎn)），所有前向傳播和反向傳播步驟的計算（對于每個節(jié)點(diǎn)而言）方式都是一樣的。24編輯ppt應(yīng)用二：MLP的3D可