您的位置:首页 > 其它

零基础入门深度学习(1) - 感知器

2017-06-09 12:58 405 查看
本文标签:   机器学习 TensorFlow Google机器智能 人工智能

无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作为一个有理想有追求的程序员,不懂深度学习(Deep
Learning)这个超热的技术,会不会感觉马上就out了?

现在救命稻草来了,《零基础入门深度学习》系列文章旨在讲帮助爱编程的你从零基础达到入门级水平。零基础意味着你不需要太多的数学知识,只要会写程序就行了,没错,这是专门为程序员写的文章。


深度学习是啥

人工智能领域,有一个方法叫机器学习。在机器学习这个方法里,有一类算法叫神经网络。神经网络如下图所示:



上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接。

我们可以看到,上面的神经元被分成了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接。

最左边的层叫做 输入层 ,这层负责接收输入数据;最右边的层叫 输出层 ,我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做 隐藏层 。

隐藏层比较多(大于2)的神经网络叫做深度神经网络。

深度学习,就是使用深层架构(比如,深度神经网络)的机器学习方法。

那么深层网络和浅层网络相比有什么优势呢?简单来说深层网络的表达力更强。

事实上,一个仅有一个隐藏层的神经网络就能拟合任何一个函数,但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数,要么使用一个浅而宽的网络,要么使用一个深而窄的网络。而后者往往更节约资源。

深层网络也有劣势,就是它不太容易训练。简单的说,你需要大量的数据,很多的技巧才能训练好一个深层网络。这是个手艺活。


感知器

看到这里,如果你还是一头雾水,那也是很正常的。为了理解神经网络,我们应该先理解神经网络的组成单元—— 神经元 。神经元也叫做 感知器 

感知器算法在上个世纪50-70年代很流行,也成功解决了很多问题。并且,感知器算法也是非常简单的。


感知器的定义

下图是一个感知器:



可以看到,一个感知器有如下组成部分:

输入权值   一个感知器可以接收多个输入 ( , ,..., ∣ ∈ R ) , 每个输入上有一个 权值 w i ∈ R , 此外还有一个 偏置项 b ∈ R , 就是上图中的 w 0 。

激活函数   感知器的激活函数可以有很多选择,比如我们可以选择下面这个阶跃函数f来作为激活函数:



输出  感知器的输出由下面这个公式来计算



如果看完上面的公式一下子就晕了,不要紧,我们用一个简单的例子来帮助理解。

例子:用感知器实现 and 函数

我们设计一个感知器,让它来实现and运算。程序员都知道,and是一个二元函数(带有两个参数个参数 x1 和 x2 ),下面是它的真 值表:



为了计算方便,我们用0表示false,用1表示true。这没什么难理解的,对于C语言程序员来说,这是天经地义的。

我们令

而激活函数 就是前面写出来的 阶跃函数 ,这时,感知器就相当于 and 函数

不明白?我们验算一下:

输入上面真值表的第一行,即 x1=0;x2=0 ,那么根据公式( 1),计算输出:



也就是当 x1 x2 都为 0 的时候,为 0 , 这就是 真值表 的第一行。读者可以自行验证上述真值表的第二、三、四行。

例子:用感知器实现 or 函数

同样,我们也可以用感知器来实现 or 运算。仅仅需要把偏置项 b 的值设置为-0.3就可以了。我们验算一下,下面是 or 运算的 真值表 :



我们来验算第二行,这时的输入是 x 1 = 0 ; x 2 = 1 ,带入公式 (1) :



也就是当 x 1 x 2 都为 0 的时候, y 为 0, 这就是 真值表 的第一行。读者可以自行验证上述真值表的第二、三、四行。

感知器还能做什么

事实上,感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数,任何 线性分类 或 线性回归 问题都可以用感知器来解决。前面的布尔运算可以看作是 二分类 问题,即给定一个输入,输出0(属于分类0)或1(属于分类1)。如下面所示,
and 运算是一个线性分类问题,即可以用一条直线把分类0(false,红叉表示)和分类1(true,绿点表示)分开。



然而,感知器却不能实现异或运算,如下图所示,异或运算不是线性的,你无法用一条直线把分类0和分类1分开。




感知器的训练

现在,你可能困惑前面的权重项和偏置项的值是如何获得的呢?这就要用到感知器训练算法:将权重项和偏置项初始化为0,然后,利用下面的 感知器规则 迭代的修改 w i
和 b ,直到训练完成。



其中



wi 是与输入 xi 对应的权重项, b 是偏置项。事实上,可以把 b看作是值永远为1的输入 xb 所对应的权重。 t 是训练样本的实际值,一般称之为label。而 y 是感知器的输出值,它是根据公式(1)计算得出。 α 是一个称为学习速率的常数,其作用是控制每一步调整权的幅度。

编程实战:实现感知器

对于程序员来说,没有什么比亲自动手实现学得更快了,而且,很多时候一行代码抵得上千言万语。接下来我们就将实现一个感知器。

下面是一些说明:

使用Python语言。python在机器学习领域用的很广泛,而且,写python程序真的很轻松。

面向对象编程。面向对象是特别好的管理复杂度的工具,应对复杂问题时,用面向对象设计方法很容易将复杂问题拆解为多个简单问题,从而解救我们的大脑。

没有使用numpy。numpy实现了很多基础算法,对于实现机器学习算法来说是个必备的工具。但为了降低读者理解的难度,下面的代码只用到了基本的python(省去您去学习numpy的时间)。

下面是感知器类的实现,非常简单。去掉注释只有27行,而且还包括为了美观(每行不超过60个字符)而增加的很多换行。
class Perceptron(object):
# 初始化感知器,设置输入参数的个数,以及激活函数。
# 激活函数的类型为double -> double
def __init__(self, input_num, activator):
self.activator = activator        # 权重向量初始化为0
self.weights = map(lambda _: 0.0, range(input_num))
# 偏置项初始化为0
self.bias = 0.0

# 打印学习到的权重、偏置项
def __str__(self):
return 'weights\t:%s\nbias\t:%f' % (self.weights, self.bias)

# 输入向量,输出感知器的计算结果
def predict(self, input_vec):
# 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
# 变成[(x1,w1),(x2,w2),(x3,w3),...]
# 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
# 最后利用reduce求和
return self.activator(
reduce(lambda a, b: a + b,
map(lambda (x, w): x * w,
zip(input_vec, self.weights))
, 0.0) + self.bias)

# 输入训练数据:一组向量、与每个向量对应的label;以及训练轮数、学习率
def train(self, input_vecs, labels, iteration, rate):
for i in range(iteration):
self._one_iteration(input_vecs, labels, rate)

# 一次迭代,把所有的训练数据过一遍
def _one_iteration(self, input_vecs, labels, rate):
# 把输入和输出打包在一起,成为样本的列表[(input_vec, label), ...]
# 而每个训练样本是(input_vec, label)
samples = zip(input_vecs, labels)
# 对每个样本,按照感知器规则更新权重
for (input_vec, label) in samples:
# 计算感知器在当前权重下的输出
output = self.predict(input_vec)
# 更新权重
self._update_weights(input_vec, output, label, rate)

# 按照感知器规则更新权重
def _update_weights(self, input_vec, output, label, rate):
# 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
# 变成[(x1,w1),(x2,w2),(x3,w3),...]
# 然后利用感知器规则更新权重
delta = label - output
self.weights = map(
lambda (x, w): w + rate * delta * x,
zip(input_vec, self.weights))
# 更新bias
self.bias += rate * delta


接下来,我们利用这个感知器类去实现 and 函数。
#定义激活函数fdef f(x):
return 1 if x > 0 else 0# 基于and真值表构建训练数据
def get_training_dataset():
# 构建训练数据
# 输入向量列表
input_vecs = [[1,1], [0,0], [1,0], [0,1]]
# 期望的输出列表,注意要与输入一一对应
# [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
labels = [1, 0, 0, 0]
return input_vecs, labels    # 使用and真值表训练感知器def train_and_perceptron():
# 创建感知器,输入参数个数为2(因为and是二元函数),激活函数为f
p = Perceptron(2, f)
# 训练,迭代10轮, 学习速率为0.1
input_vecs, labels = get_training_dataset()
p.train(input_vecs, labels, 10, 0.1)
#返回训练好的感知器
return pif __name__ == '__main__':
# 训练and感知器
and_perception = train_and_perceptron()
# 打印训练获得的权重
print and_perception    # 测试
print '1 and 1 = %d' % and_perception.predict([1, 1])
print '0 and 0 = %d' % and_perception.predict([0, 0])
print '1 and 0 = %d' % and_perception.predict([1, 0])
print '0 and 1 = %d' % and_perception.predict([0, 1])


将上述程序保存为perceptron.py文件,通过命令行执行这个程序,其运行结果为:



神奇吧!感知器竟然完全实现了 and 函数。读者可以尝试一下利用感知器实现其它函数。


小结

终于看(写)到小结了...,大家都累了哈哈哈。

对于零基础的你来说,走到这里应该已经很烧脑了吧。没关系,休息一下。值得高兴的是,你终于已经走出了深度学习入门的第一步,这是巨大的进步;坏消息是,这仅仅是最简单的部分,后面还有无数艰难险阻等着你。

不过,你学的困难往往意味着别人学的也困难,掌握一门高门槛的技艺,进可糊口退可装逼,是很值得的。

预告一下,在我的下篇文章中,我们将讨论另外一种感知器: 线性单元 ,并由此引出一种可能是最最重要的优化算法: 梯度下降 算法。敬请期待!


参考资料

Tom M. Mitchell, "机器学习", 曾华军等译, 机械工业出版社

写在最后:FOR Freedom 看看外边的世界,以及IT这一行,少不了去Google查资料,最后,安利一个V——PN代理。一枝红杏 加速器,去Google查资料是绝对首选,连接速度快,使用也方便。我买的是99¥一年的,通过这个链接(http://my.yizhihongxing.com/aff.php?aff=2509)注册后付费时输上优惠码wh80,平摊下来,每月才7块钱,特实惠。

本文标签:   机器学习 TensorFlow Google机器智能 人工智能 

转自 SUN'S BLOG - 专注互联网知识,分享互联网精神!

原文地址: 《深度学习(Deep Learning)从零基础达到入门级水平》 

相关阅读什么是TensorFlow?TensorFlow
中文版资源大全》


相关阅读: 《Tensorflow【机器学习】:关于fast
neural style【快速风格化图像】的理解和实现》 


相关阅读:我是 G 粉,一直关注 Google,最近 Google 有一些小动作,可能很多人不太了解

相关阅读:机器学习引领认知领域的技术创新,那么SaaS行业会被机器学习如何改变?

相关阅读:《VPS 教程系列:Dnsmasq + DNSCrypt + SNI Proxy
顺畅访问 Google 配置教程》

相关阅读: 对程序员有用:2017最新能上Google的hosts文件下载及总结网友遇到的各种hosts问题解决方法及配置详解

相关阅读:《Aaron
Swartz – 互联网天才开挂的人生历程:每时每刻都问自己,现在这世界有什么最重要的事是我能参与去做的?》
相关阅读:《网站环境apache
+ php + mysql 的XAMPP,如何实现一个服务器上配置多个网站?》

相关阅读:什么是工程师文化?各位工程师是为什么活的?作为一个IT或互联网公司为什么要工程师文

相关阅读: 《win10永久激活教程以及如何查看windows系统是不是永久激活?

相关BLOG:SUN’S BLOG -
专注互联网知识,分享互联网精神!去看看:www.whosmall.com


原文地址:http://whosmall.com/?post=323
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: