机器学习：python使用BP神经网络示例_python 神经网络

1.简介

(只是简单介绍下理论内容帮助理解下面的代码，如果自己写代码实现此理论不够)

1） BP神经网络是一种多层网络算法，其核心是反向传播误差，即： 使用梯度下降法(或其他算法)，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐藏层(hidden layer)和输出层(output layer)，每层包含多个神经元。

2）BP神经网络示例图

上图就是一个简单的三层BP神经网络。网络共有6个单元，O0用于表示阈值，O1、O2为输入层，O3、O4为第一隐层，也是唯一隐层，O5为输出层单元。网络接收两个输入

，发送一个输出

。每个单元接收一组输入，发送一个输出。

为权值,例如W40 表示O0与O4之间的权重。

3）神经单元(计算单元)

如上图所示，每个圆表示一个神经单元。其接收一组数据，经过计算输出一个数据。

4）传播过程

a）正向传递

例如：从O1-->O4-->05,这是正向传递过程中的一个路径(O4除了接收O1,还接收O0、O2的输入)。这里重点说下权重，W41表示O1和O4之间的权重，假如O1=1,O4=4,W41=0.5,那么O5=1*4*0.5=2(2不是最终输出，最终输出还需要加上O0、O2 的计算结果).

b）反向传递（过程比较复杂，这个表述不是特别精确，只是为了方便理解）

例如：从O1<--O4<--05,在这个过程中，O5是计算出的值，参与计算的O4的值不是其本身的值，而是在正向传递过程中计算出的值（即输出值）。而权重也是这个过程中调整的。

2.MLPClassifier函数

此函数是sklearn.neural_network中的函数，它是利用反向传播误差进行计算的多层感知器算法。

a) 主要参数

hidden_​layer_sizes：隐藏层，例如:(5,2) 表示有2个隐藏层，第一隐藏层有5个神经单元，第二个隐藏层有2个神经单元；(5,2,4)表示有三个隐藏层。

activation：激活函数，在反向传递中需要用到。有以下四个可选项：

'identity':无激活操作，有助于实现线性瓶颈, 返回 f(x) = x

'logistic':逻辑函数, 返回 f(x) = 1 / (1 + exp(-x)).

'tanh': 双曲线函数, 返回 f(x) = tanh(x).

'relu': 矫正线性函数, 返回 f(x) = max(0, x)，（默认）

solver：反向传播过程中采用的算法，有以下三个选项：

'lbfgs': 准牛顿算法.适用于较小数据集

'sgd': 随机梯度下降算法.

'adam':优化的随机梯度下降算法(默认)。适用于较大数据集

alpha：L2惩罚系数

learning_rate：学习速率，有以下几个选项：(只有当slver='sgd'时有用)

constant:参数learning_rate_init指定的恒定学习速率.(默认选项)

invscaling’:使用“scale_t”的反向缩放指数逐渐降低每个时间步长t 的学习率。effective_learning_rate = learning_rate_init / pow（t，power_t）(power_t是另外一个参数)

adaptive: 自适应，只要损失不断下降就是用learning_rate_init。否则会自动调整(由另外一个参数tol决定)。

learning_rate_init:初始学习速率

b)属性

coefs_：权重列表

n_layers_：神经网络的总层数

3.示例一

本示例使用的数据：机器学习：从编程的角度去理解逻辑回归 。在下面的参数情况下正确率95%。

import numpy as np
import os
import pandas as pd
from sklearn.neural_network import MLPClassifier
 
def loadDataSet():
    ##运行脚本所在目录
    base_dir=os.getcwd()
    ##记得添加header=None，否则会把第一行当作头
    data=pd.read_table(base_dir+r"\lr.txt",header=None)
    ##dataLen行dataWid列 ：返回值是dataLen=100 dataWid=3
    dataLen,dataWid = data.shape
    ##训练数据集
    xList = []
    ##标签数据集
    lables = []
    ##读取数据
    for i in range(dataLen):
        row = data.values[i]
        xList.append(row[0:dataWid-1])
        lables.append(row[-1])
    return xList,lables
 
 
def GetResult():
    dataMat,labelMat=loadDataSet()
    clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
                        hidden_layer_sizes=(5,2), random_state=1)
    clf.fit(dataMat, labelMat)
    #print("层数----------------------")
    #print(clf.n_layers_)
    #print("权重----------------------")
    #for cf in clf.coefs_:
    #    print(cf)
    #print("预测值----------------------")
    y_pred=clf.predict(dataMat)
    m = len(y_pred)
    ##分错4个
    t = 0
    f = 0
    for i in range(m):
        if y_pred[i] ==labelMat[i]:
            t += 1
        else :
            f += 1
    print("正确:"+str(t))
    print("错误:"+str(f))
 
if __name__=='__main__':
    GetResult()

4.示例二

这次使用的数据还是红酒。因为红酒的口感得分是整数，所以也可以当作是分类。但是针对此实验数据，在多次调整参数的过程中（主要是调整隐藏层）正确率最高只有61%。这正是BP神经网络的一个缺陷:隐含层的选取缺乏理论的指导。

代码：

import numpy as np
import os
import pandas as pd
from sklearn.neural_network import MLPClassifier
 
 
##运行脚本所在目录
base_dir=os.getcwd()
##记得添加header=None，否则会把第一行当作头
data=pd.read_table(base_dir+r"\wine.txt",header=None,sep=';')
##dataLen行dataWid列 ：返回值是dataLen=1599 dataWid=12
dataLen,dataWid = data.shape
 
##训练数据集
xList = []
##标签数据集
lables = []
##读取数据
for i in range(dataLen):
    row = data.values[i]
    xList.append(row[0:dataWid-1])
    lables.append(row[-1])
##设置训练函数
clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
                        hidden_layer_sizes=(14,14,30), random_state=1)
##开始训练数据
clf.fit(xList, lables)
##读取预测值
y_pred=clf.predict(xList)
m = len(y_pred)
 
t = 0
f = 0
##预测结果分析
for i in range(m):
    if int(y_pred[i]) == lables[i]:
        t += 1
    else :
        f += 1
print("正确:"+str(t))
print("错误:"+str(f))

5.BP神经网络的缺点

1）容易形成局部极小值而得不到全局最优值。BP神经网络中极小值比较多，所以很容易陷入局部极小值，这就要求对初始权值和阀值有要求，要使得初始权值和阀值随机性足够好，可以多次随机来实现。
2）训练次数多使得学习效率低，收敛速度慢。
3）隐含层的选取缺乏理论的指导。
4）训练时学习新样本有遗忘旧样本的趋势。(可以把最优的权重记录下来)

---

为帮助更多对人工智能感兴趣的小伙伴们能够有效的系统性的学习以及论文的研究，小编特意制作整理了一份人工智能学习资料给大家，整理了很久，非常全面。

大致内容包括一些人工智能基础入门视频和文档+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等学习资料、课件源码、国内外知名精华资源、以及AI热门论文等全套学习资料。

需要以上这些文中提到的资料，请点击此处→【人工智能全套完整VIP资料】即可免费获取。

看完三件事❤️

• 如果你觉得这篇内容对你还蛮有帮助，我想邀请你帮我三个小忙：
• 点赞，转发，有你们的『点赞和评论』，才是我创造的动力。
• 关注作者公众号 『 AI技术星球 』，不定期分享原创知识。
• 关注后回复【007】扫码即可获取学习资料包。
• 同时可以期待后续文章ing
  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/繁依Fanyi0/article/detail/327999