
% 训练数据
X = [0 0 1 1; 0 1 0 1];
y = [0 1 1 1;];
 
%训练
net = newp(X,y);             % 建立网络
[net,tr]  = train(net,X,y);  % 训练网络
 
%预测
py = sim(net,X) %使用网络进行预测

二、感知机原理与自实现感知机

01.模型数学表达式

感知机的模型数学表达式为：

$\text{y} = \textbf{sign}(wx+b )$

其中，

$\textbf{sign}(x) = \left\{\begin{matrix} 1 & \text{ if x}\geqslant 0\\ -1 & \text{ if x}<0 \end{matrix}\right.$

02.感知机的训练目标与损失函数

训练目标

感知机的误差评估函数为误分类的占比

$\displaystyle \textbf{E} = \dfrac{1}{n} \sum\limits _{i}^{n}\begin{cases} 0 & \text{ if } \text{p}_i= \text{y}_i\\ 1 & \text{ else } \end{cases}$

其中， $\text{p}_i= \textbf{sign}(wx_i+b )$ ，即感知机对第i个样本的预测值。
感知机的训练目标就是找出一组w,b，使E最小化。

损失函数

感知机的训练可以使用梯度下降法，
但由于误差评估函数，不方便求导，
所以先构造一个与误差评估函数相关的损失函数，
然后用损失函数的梯度来引导w,b的调整。

可以用以下函数作为损失函数，来引导w，b的迭代方向。

$\displaystyle L(w,b) = -\sum \limits_{i} \text{y}_i(wx_i+b)$

上式的意义如下：
预测正确时， $\text{y}_i(wx_i+b)$ 为正，
预测错误时， $\text{y}_i(wx_i+b)$ 为负，
即，网络越正确，L(w,b)越小，网络越错误，L(w,b)越大。
则我们要令L更小，只要往w和b的负梯度方向调整即可。

03.损失函数的梯度

可算得损失函数L中 w 和 b 的梯度如下：
(1) w的梯度

$\begin{aligned} \nabla _w L(w,b) &= \nabla _w -\sum \limits_{i} \text{y}_i(wx_i+b) \\&= -\sum \limits_{i} \nabla _w\text{y}_i(wx_i+b) \\&= -\sum \limits_{i} \text{y}_ix_i \end{aligned}$

(2) b的梯度

$\begin{aligned} \nabla _b L(w,b) &= \nabla _b -\sum \limits_{i} \text{y}_i(wx_i+b) \\&=- \sum \limits_{i} \nabla _b\text{y}_i(wx_i+b) \\&= -\sum \limits_{i} \text{y}_i \end{aligned}$

单样本时w,b的梯度

感知机一般用单样本训练，
由上可算得对于单个样本 $x_i$
训练时，w,b的梯度为：

$\nabla _w L(w,b) =-\text{y}_ix_i$

$\nabla _b L(w,b) =-\text{y}_i$

04.算法流程

感知机采用逐样本训练方法,

具体训练流程如下：
1、初始化
将w和b的元素全部初始化为0。
2、逐样本训练
逐个样本训练 w,b：
------如果训练样本的预测值与真实值不一致，则往负梯度方向更新w，b( 其中，lr为学习率):
---------- $w = w + \text{lr}*\text{y}_i*x_i$
---------- $b = b + \text{lr}*\text{y}_i$
3、检测是否终止训练
如果总体预测误差达到目标，或达到最大训练步数，则终止训练，否则重复2
误差的评估：

$\displaystyle \textbf{E} = \dfrac{1}{n} \sum\limits _{i}^{n}\begin{cases} 0 & \text{ if } \textbf{sign}(wx_i+b )= \text{y}_i\\ 1 & \text{ else } \end{cases}$

4、输出结果
输出w,b和网络最终的预测误差

已被证明，在样本点可分的情况下，算法经过有限次迭代，感知机肯定能将样本完全分开。
证明可参考李航-《统计学习方法》2.3.2节。

05.实现代码

下面是根据以上算法流程，自己编写的一个感知机的实现Demo


% 本代码展示一个感知机模型的训练DEMO
% ----------训练数据-------------------
X = [0 0 0.2 1 1 0.8; 0 1 0.5 0 1 0.3];
y = [-1 -1 -1 1 1 1 ];
 
%----------参数设置与常量计算-----------------
[in,sn] = size(X);    % 输入个数与样本个数
goal    = 0;          % 训练目标
lr      = 0.1;        % 学习率
epochs  = 100;        % 最大训练步数
 
% --------初始化权重---------------
w = zeros(1,in); % 初始化权重
b = 0;           % 初始化阈值
 
% ----------感知机训练---------------------
for i = 1:epochs
    % 逐样本训练
    for j = 1:sn
        cur_x = X(:,j);                 % 当前训练样本
        cur_y = y(:,j);
        py =  2*((w*cur_x+b)>=0)-1;     % 当前训练样本的预测值
        if(py~=cur_y)
            w = w + lr*cur_y*cur_x';
            b = b + lr * cur_y;
        end
    end
    % 如果误差达到目标，则退出训练
    e   = sum(( 2*((w*X+b)>=0)-1 )~=y)/sn;      % 计算误差    
    if e<=goal
       break; 
    end
end
% -------------绘制结果----------------------
x_line = [min(X(1,:)),max(X(1,:))];
y_line =(-w(1)*x_line-b)/w(2);
plot(x_line,y_line)
hold on
plot(X(1,y==1),X(2,y==1),'bo')
hold on
plot(X(1,y==-1),X(2,y==-1),'k*')
hold on
axis([min(X(1,:))-1 max(X(1,:))+1 min(X(2,:))-1 max(X(2,:))+1])

结果如下

在结果中可以看到，感知机模型把两类样本点完美地分开。

三、matlab中的感知机神经网络

matlab中的感知机神经网络是由感知机演变而来，
它是一个两层的神经网络，只有输入层与输出层。

01.感知机神经网络的拓扑结构

这里举例说明，
一个2输入3输出的感知机神经网络拓扑图如下：

输出层的激活函数支持hardlim和hardlims，两者的区别如下：

$\text{hardlim}(x) = \left\{\begin{matrix} 1 & x\geqslant 0\\ 0 & x<0 \end{matrix}\right.$

$\text{hardlims}(x) = \left\{\begin{matrix} 1 & x\geqslant 0\\ -1 & x<0 \end{matrix}\right.$

当输出层的激活函数为hardlim每个输出的输出值是0或1，
而当输出层的激活函数为hardlims每个输出的输出值是-1或1。
mamtlab中默认激活函数为hradlim

02.感知机神经网络的数学表达式

激活函数为hardlim时：

$\text{y} = \left [ (Wx+b )\geqslant 0 \right ]$

激活函数为hardlims时：

$\text{y} = 2*\left [ (Wx+b )\geqslant 0 \right ] -1$

由于matlab的默认激活函数为hardlim，
而hardlim和hardlims两者没有本质的区别，下面下我们只介绍hardlim。

03.辨识:与二分类感知机的区别

(1) 上篇感知机介绍的为二分类，只有一个输出，而这里的神经网络支持多输出。
(2) matlab感知机神经网络默认使用的激活函数为hardlim,而上篇的二分类感知机是hardlims
总的来说，matlab的感知机神经网络默认输出格式为one-hot编码，即[0 1 0 0]这类的格式。

04.训练目标与损失函数

重新强调，下面统一默认为hardlim激活函数，即输出为{0，1}。

感知机神经网络的训练目标-误差函数
感知机的误差评估函数为预测错误样本个数的占比：

$\displaystyle \textbf{E} = \dfrac{1}{m*n} \sum \limits _i^{m}\sum \limits _j^{n} \left ( |\text{y}_{ij}-p_{ij} |\right )$

其中，
m：输出个数
n：样本个数
$\text{y}_{ij}$ ：第i个样本的第j个输出。
$p_{ij}$ ：网络对第i个样本第j个输出的预测值。
感知机的训练目标就是找出一组w,b，使E最小化。

损失函数
感知机神经网络的训练可以使用梯度下降法，
但由于误差评估函数，不方便求导，
所以先构造一个与误差评估函数相关的损失函数，
然后用损失函数的梯度来引导w,b的调整。
可以用以下函数作为损失函数，来引导w，b的迭代方向。

$\displaystyle \textbf{ L}(w,b) = \sum \limits_{i} -(2*\text{y}_i-1)(wx_i+b)$

05.损失函数的梯度

可算得损失函数L中 w 和 b 的梯度如下：
(1) w的梯度
$\begin{aligned} \nabla _w \textbf{L}(w,b) &= \nabla _w \sum \limits_{i} -(2*\text{y}_i-1)(wx_i+b) \\&= \sum \limits_{i} \nabla _w -(2*\text{y}_i-1)(wx_i+b) \\&= \sum \limits_{i} -(2*\text{y}_i-1)x_i \end{aligned}$
(2) b的梯度
$\begin{aligned} \nabla _b \textbf{L}(w,b) &= \nabla _b \sum \limits_{i} -(2*\text{y}_i-1)(wx_i+b) \\&= \sum \limits_{i} \nabla _b -(2*\text{y}_i-1)(wx_i+b) \\&= \sum \limits_{i} -(2*\text{y}_i-1)\end{aligned}$

单样本时w,b的梯度
感知机一般用单样本训练，
由上可算得对于单个样本x_i
训练时，w,b的梯度为：

$\nabla _w \textbf{L}(w,b) = -(2*\text{y}_i-1)x_i$

$\nabla _b \textbf{L}(w,b) = -(2*\text{y}_i-1)$

上式也可以改写成如下形式：

$\nabla _w \textbf{L}(w,b) = -(\text{y}_i-\text{p}_i)x_i$

$\nabla _b \textbf{L}(w,b) = -(\text{y}_i-\text{p}_i)$

其中， $\text{p}_i$ 是网络对 $x_i$ 的预测值。

06.算法流程

感知机采用逐样本训练方法,具体训练流程如下：
1、初始化
将w和b的元素全部初始化为0。

2、逐样本训练
逐个样本训练w,b：

$w = w + ( \text{y}_i - p_i)*x_i$

$b = b+( \text{y}_i - p_i)$

其中，yi为当前训练样本的真实y值，pi为网络对当前训练样本的预测值
3、检测是否终止训练
如果总体预测误差达到目标，或达到最大训练步数，则终止训练，否则重复2
误差的评估：

$\displaystyle E = \dfrac{1}{m*n} \sum \limits _i^{m}\sum \limits _j^{n} \left ( |\text{y}_{ij}-p_{ij} |\right )$

4、输出结果
输出网络参数w,b 和网络最终的预测误差

07.代码实现-自己实现newp

我们细扒matlab神经网络工具箱newp的源码后，
去除冗余代码，重现简版newp代码，代码与newp的结果完全一致。
通过本代码的学习，可以完全细节的了解感知机神经网络的实现逻辑。


function testPnet()
%本代码来自bp.bbbdata.com
%本代码模仿matlab神经网络工具箱的newp函数自写感知机神经网络,
%代码主旨用于教学,供大家学习理解newp函数的内部机制与感知机神经网络原理
%--------------------------------------------
% ----------训练数据-------------------
X = [0 0 1 1; 0 1 0 1];
y = [0 1 0 1;1 0 0 0;0 0 1 0];
%-----------参数设置-------------------
epochs = 100;  % 迭代步数
 
%---------调用自写函数进行训练---------
%通过自己建立模型训练网络,获得w,b
rand('seed',70);
[w,b,e,Erc]=trainPnet(X,y,epochs);
py = predictPnet(w,b,X); %用训练好的感知机预测类别
% 自写函数的结果
w
b
 
% -----调用工具箱进行训练--------------
% 调用工具箱进行训练
rand('seed',70);
net = newp([0 1; -2 2],3);
net.trainParam.epochs = epochs;
[net,tr]  = train(net,X,y);
 
% 工具箱的结果
tool_w=net.IW{1}
tool_b=net.b{1}
 
% -------自写方法与工具箱的差异-----------------
maxECompareNet = max([max(abs(w(:)-tool_w(:))),...
    max(abs(b(:)-tool_b(:))),max(abs(Erc(:)-tr.perf(:)))]);
disp(['自写代码与工具箱权重阈值的最大差异:',num2str(maxECompareNet)])
 
end
 
% ----感知机训练函数-----
function [w,b,e,Erc]=trainPnet(X,y,epochs)
%----------参数设置与常量计算-----------------
[in,sn]=size(X);    % 输入个数与样本个数
on     = size(y,1);  %输出个数
goal =0;   %训练目标
 
% ---------网络权重与相关变量初始化---------------
w = zeros(on,in); %初始化权重
b = zeros(on,1);  %初始化阈值
py = predictPnet(w,b,X);  %预测训练样本
e= sum(sum(abs(y -py)))/length(py(:)); % 计算误差
Erc      = [e];   %记录误差
 
% ----------网络权重训练---------------------
for i = 1:epochs
    % 逐样本训练
    for j = 1:sn
        % 计算预测误差
        cur_x = X(:,j);                 % 当前训练样本
        py    = predictPnet(w,b,cur_x); % 当前训练样本的预测值
        e1    = y(:,j) - py;            % 当前训练样本的误差
        
        % 调整权重
        w = w + e1*cur_x';              % 调整权重w
        b = b+e1;                       % 调整阈值b
    end
    % 计算网络误差并记录
    py  = predictPnet(w,b,X);                   % 网络的预测值
    e   = sum(sum(abs( y -py)))/length(py(:));  % 网络的误差
    Erc = [Erc,e];                              % 记录本次误差
    
    % 如果误差达到目标，则退出训练
    if e<=goal
        break;
    end
end
end
% ----感知机预测函数-----
function y = predictPnet(w,b,x)
y = (w*x+repmat(b,1,size(x,2)))>=0;
end

运行结果共三部分
1. 自写代码求得的网络权重与阈值

2. 调用工具箱求得的网络权重与阈值

3. 自写代码与工具箱的结果对比

从运行结果可以看到，自写代码与工具箱的结果一样，说明扒出的逻辑与工具箱的一致。

四、matlab神经网络工具箱的感知机实现与说明

在实际使用中，我们更多时候是使用matlab自带的神经网络工具箱的newp来实现感知机神经网络，

下面我们学习工具箱的使用说明。

01. 简单Demo

matlab工具箱使用感知机神经网络的Demo代码（2014b版matlab实测已跑通）：


%代码说明：newp的matlab工具箱使用Demo
%来自《老饼讲解神经网络》bp.bbbdata.com ,matlab版本：2014b
%-----------------------------------------------------
% 训练数据
X = [0 0 1 1; 0 1 0 1];
y = [0 1 1 1;];
 
%训练
net = newp(X,y);             % 建立网络
[net,tr]  = train(net,X,y);  % 训练网络
 
%预测
py = sim(net,X) %使用网络进行预测

02. 工具箱说明

语法:
net = newp(p,t,tf,lf)

描述：
感知机用于解决简单的(例如线性可分)分类问题。

入参说明
P: 用于训练的输入数据。每列代表一个样本，有多少个样本，就有多少列。
T:用于训练的输出数据。每列代表一个样本，有多少个样本，就有多少列。
TF:传递函数，默认为'hardlim',支持hardlim和hardlims。
LF：学习函数，默认为'learnp',支持learnp和learnpn。

备注：
感知机可以在有限步数内解决将线性可分的分类问题。如果输入变量较多，learnpn比learnp在训练速度上更加快。

相关文章

《BP神经网络梯度推导》

《BP神经网络提取的数学表达式》

《一个BP的完整建模流程》

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/AllinToyou/article/detail/442317

从0到专业：一步步从感知机到matlab中的《感知机神经网络》_matlab神经网络one-hot iris

一、初识感知机

01.感知机的思想

02.简单Demo