深度学习入门基于python的理论与实现 第四章two_layer_net.py完全解析

# coding: utf-8
#深度学习入门基于python的理论与实现 第四章two_layer_net.py完全解析
#QQ群：476842922
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
from common.functions import *
from common.gradient import numerical_gradient

class TwoLayerNet:

def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
# 初始化权重    输入层神经元，隐藏层神经元，输出层神经元，0.01
self.params = {}
self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)#高斯分布随机数
self.params['b1'] = np.zeros(hidden_size)#设置0
self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)#高斯分布随机数
self.params['b2'] = np.zeros(output_size)#设置0

def predict(self, x):#进行推理（识别）
W1, W2 = self.params['W1'], self.params['W2']#权重
b1, b2 = self.params['b1'], self.params['b2']#偏执

a1 = np.dot(x, W1) + b1#点积+偏执
z1 = sigmoid(a1)#sigmoid函数
a2 = np.dot(z1, W2) + b2#点积+偏执
y = softmax(a2)#softwax函数

return y#返回y

# x:输入数据, t:监督数据
def loss(self, x, t):#计算损失函数的值
y = self.predict(x)#进行推理

return cross_entropy_error(y, t)##交叉熵代价函数 y：输出结果。t：监督数据

def accuracy(self, x, t):#计算识别精度
y = self.predict(x)#进行推理
y = np.argmax(y, axis=1)#最大值的索引
t = np.argmax(t, axis=1)#最大值的索引

accuracy = np.sum(y == t) / float(x.shape[0])#计算识别率
return accuracy#返回识别率

# x:输入数据, t:监督数据
def numerical_gradient(self, x, t):#梯度
loss_W = lambda W: self.loss(x, t)#匿名函数输入w输出net.loss(x, t)（计算损失函数的值）

grads = {}
grads['W1'] = numerical_gradient(loss_W, self.params['W1'])#计算权重参数的梯度
grads['b1'] = numerical_gradient(loss_W, self.params['b1'])#计算权重参数的梯度
grads['W2'] = numerical_gradient(loss_W, self.params['W2'])#计算权重参数的梯度
grads['b2'] = numerical_gradient(loss_W, self.params['b2'])#计算权重参数的梯度

return grads#返回梯度

def gradient(self, x, t):#梯度
W1, W2 = self.params['W1'], self.params['W2']#权重
b1, b2 = self.params['b1'], self.params['b2']#偏执
grads = {}#梯度

batch_num = x.shape[0]#

# forward
a1 = np.dot(x, W1) + b1#点积+偏执
z1 = sigmoid(a1)#sigmoid
a2 = np.dot(z1, W2) + b2#点积+偏执
y = softmax(a2)#softmax

# backward
dy = (y - t) / batch_num# y：输出结果。t：监督数据
grads['W2'] = np.dot(z1.T, dy)
grads['b2'] = np.sum(dy, axis=0)

da1 = np.dot(dy, W2.T)
dz1 = sigmoid_grad(a1) * da1
grads['W1'] = np.dot(x.T, dz1)
grads['b1'] = np.sum(dz1, axis=0)

return grads