python怎样搭建多层神经网络？

python怎样搭建多层神经网络？这个问题可能是我们日常工作经常见到的。通过这个问题，希望你能收获更多。下面是解决这个问题的步骤内容。

让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名申请、雅安服务器托管、营销软件、网站建设、雨花台网站维护、网站推广。

模型的搭建按照自己的想法设计，源码共7个.py文件，如下图：

按照创建先后顺序，分别是：data.py，layer.py，network.py，activation.py，loss.py，train.py，evaluate.py。data.py用于获取数据并对数据进行预处理，layer.py创建了一个Layer类，用来表示第L层，network.py抽象了一个网络类，将传入的若干层通过计算输入输出连接起来，组成一个网络，data.py用来读取数据，loss.py明确了交叉熵损失函数和其导数，activation.py分别写了激活函数relu和sigmoid以及其导函数，train.py创建了层次并组成网络，然后对数据进行训练并保存模型，最后evaluate.py用于对测试集进行测试。

网络分为2大块，正向传播和反向传播：

但是不管是正向还是反向，网络中的每一层都可以抽象出来，因此创建一个layer类：

正向传播的L层：

反向传播的L层：

在写代码之前，最重要的是确定每个变量和参数的维度：

正向传播：

注意：n[L]表示当前层(即第L层)中的神经元个数，n[L-1]表示前一层(即L-1层)的神经元个数，例如在本次程序中，n[0]=12288，n[1]=1000，n[2]=500，n[3]=1

反向传播：

1. data.py

# coding: utf-8

# 2019/7/20 18:59

import h6py

import numpy as np

def get_train():

f = h6py.File('dataset/train_catvnoncat.h6','r')

x_train = np.array(f['train_set_x'])#训练集数据 将数据转化为np.array

y_train = np.array(f['train_set_y'])#训练集标签

return x_train,y_train

def get_test():

f = h6py.File('dataset/test_catvnoncat.h6', 'r')

x_test = np.array(f['test_set_x'])#测试集数据 将数据转化为np.array

y_test = np.array(f['test_set_y'])#测试集标签

return x_test,y_test

def preprocess(X):

#将X标准化，从0-255变成0-1

# X =X / 255

#将数据从(m,64,64,3)变成(m,12288)

X = X.reshape([X.shape[0], X.shape[1]*X.shape[2]*X.shape[3]]).T

return X

if __name__ == '__main__':

x1,y1 = get_train()

x2,y2 = get_test()

print(x1.shape,y1.shape)

print(x2.shape,y2.shape)

from matplotlib import pyplot as plt

plt.figure()

for i in range(1,16):

plt.subplot(3,5,i)

plt.imshow(x1[i])

print(y1[i])

plt.show()

2. layer.py

# coding: utf-8

# 2019/7/21 9:22

import numpy as np

class Layer:

def __init__(self,nL,nL_1,activ,activ_deri, learning_rate):

#参数分别表示：当前层神经元个数，前一层神经元个数，激活函数，激活函数的导函数，学习率

self.nL = nL

self.nL_1 = nL_1

self.g = activ

self.g_d = activ_deri

self.alpha = learning_rate

self.W = np.random.randn(nL,nL_1)*0.01

self.b = np.random.randn(nL,1)*0.01

#正向传播：

#1、计算Z=WX+b

#2、计算A=g(Z)

def forward(self,AL_1):

self.AL_1 = AL_1

assert (AL_1.shape[0] == self.nL_1)

self.Z = np.dot(self.W,AL_1)+self.b

assert (self.Z.shape[0] == self.nL)

AL = self.g(self.Z)

return AL

#反向传播：

#1、m表示样本个数

#2、计算dZ，dW，db，dAL_1

#3、梯度下降，更新W和b

def backward(self,dAL):

assert (dAL.shape[0] == self.nL)

m = dAL.shape[1]

dZ = np.multiply(dAL,self.g_d(self.Z))

assert (dZ.shape[0] == self.nL)

dW = np.dot(dZ,self.AL_1.T)/m

assert (dW.shape == (self.nL,self.nL_1))

db = np.mean(dZ,axis=1,keepdims=True)

assert (db.shape == (self.nL,1))

dAL_1 = np.dot(self.W.T,dZ)

assert (dAL_1.shape[0] == self.nL_1)

#梯度下降

self.W -= self.alpha*dW

self.b -= self.alpha*db

return dAL_1

3. network.py

# coding: utf-8

# 2019/7/21 10:45

import numpy as np

class Network:

def __init__(self,layers,loss,loss_der):

self.layers = layers

self.loss = loss

self.loss_der = loss_der

#根据输入的数据来调用正向传播函数，不断更新A，最后得到预测结果

def predict(self,X):

A = X

for layer in self.layers:

A = layer.forward(A)

return A

#连接每个层组建网络：

#1、根据输入的数据进行正向传播，得到预测结果Y_predict

#2、根据Y_predict和真实值Y，通过损失函数来计算成本值J

#3、根据J来计算反向传播的输入值dA

#4、调用反向传播函数来更新dA

def train(self,X,Y,epochs=10):

for i in range(epochs):

Y_predict = self.predict(X)

J = np.mean(self.loss(Y, Y_predict))

print('epoch %d:loss=%f'%(i,J))

dA = self.loss_der(Y,Y_predict)

for layer in reversed(self.layers):

#更新dA

dA= layer.backward(dA)

4. loss.py

# coding: utf-8

# 2019/7/21 11:34

import numpy as np

#交叉熵损失函数

def cross_entropy(y, y_predict):

y_predict = np.clip(y_predict,1e-10,1-1e-10) #防止0*log(0)出现。导致计算结果变为NaN

return -(y * np.log(y_predict) + (1 - y) * np.log(1 - y_predict))

#交叉熵损失函数的导函数

def cross_entropy_der(y,y_predict):

return -y/y_predict+(1-y)/(1-y_predict)

5. activation.py

# coding: utf-8

# 2019/7/21 9:49

import numpy as np

def sigmoid(z):

return 1 / (1 + np.exp(-z))

#sigmoid导函数

def sigmoid_der(z):

x = np.exp(-z)

return x/((1+x)**2)

def relu(z):无锡妇科医院 http://www.xasgyy.net/

return np.maximum(0,z)

#relu导函数

def relu_der(z):

return (z>=0).astype(np.float64)

6. train.py

# coding: utf-8

# 2019/7/21 12:13

import data,layer,loss,network,activation

import pickle,time

#对数据集进行训练并保存模型

#1、搭建3层网络层

#2、将3个层组建成网络

#3、获取训练集数据

#4、对输入值X进行预处理

#5、将数据输入网络进行训练，epochs为1000

#6、将整个模型保存

if __name__ == '__main__':

learning_rate = 0.01

L1 = layer.Layer(1000,64*64*3, activation.relu, activation.relu_der, learning_rate)

L2 = layer.Layer(500,1000,activation.relu, activation.relu_der, learning_rate)

L3 = layer.Layer(1,500, activation.sigmoid, activation.sigmoid_der, learning_rate)

net = network.Network([L1,L2,L3], loss.cross_entropy, loss.cross_entropy_der)

X,Y = data.get_train()

X = data.preprocess(X)

net.train(X,Y,1000)

with open('models/model_%s.pickle'%(time.asctime().replace(':','_').replace(' ','-')),'wb') as f:

pickle.dump(net,f)

7. evaluate.py

# coding: utf-8

# 2019/7/21 14:17

import data

import pickle

import numpy as np

if __name__ == '__main__':

model_name = 'model_Sun-Jul-21-14_41_42-2019.pickle'

#导入模型

with open('models/'+model_name,'rb') as f:

net = pickle.load(f)

#获取测试数据集

X,Y = data.get_test()

X = data.preprocess(X)

#根据输入数据X进行预测

Y_predict = net.predict(X)

Y_pred_float = (Y_predict>0.5).astype(np.float64)

#计算精确度

accuracy = np.sum(np.equal(Y_pred_float,Y).astype(np.int))/Y.shape[0]

print('accuracy:',accuracy)

结果

看完上诉内容，你们对python搭建多层神经网络大概了解了吗？如果想了解更多相关文章内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！