मैं एक ही उत्पादन इकाई (बाइनरी वर्गीकरण) के साथ MLP का एक सरल कार्यान्वयन लिख रहा हूँ। मुझे शिक्षण उद्देश्यों के लिए इसकी आवश्यकता है, इसलिए मैं मौजूदा कार्यान्वयन का उपयोग नहीं कर सकता :(बहुपरत perceptron कार्यान्वयन: वजन जाना पागल
मैं एक काम करने वाले डमी मॉडल बनाने और प्रशिक्षण समारोह लागू करने में कामयाब रहा, लेकिन एमएलपी अभिसरण नहीं करता है। वास्तव में, आउटपुट इकाई के लिए ढाल उच्च रहता है अवधियों से अधिक है, इसलिए इसके वजन अनंत दृष्टिकोण
मेरे कार्यान्वयन:।
import numpy as np
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
X = np.loadtxt('synthetic.txt')
t = X[:, 2].astype(np.int)
X = X[:, 0:2]
# Sigmoid activation function for output unit
def logistic(x):
return 1/(1 + np.exp(-x))
# derivative of the tanh activation function for hidden units
def tanh_deriv(x):
return 1 - np.tanh(x)*np.tanh(x)
input_num = 2 # number of units in the input layer
hidden_num = 2 # number of units in the hidden layer
# initialize weights with random values:
weights_hidden = np.array((2 * np.random.random((input_num + 1, hidden_num + 1)) - 1) * 0.25)
weights_out = np.array((2 * np.random.random( hidden_num + 1) - 1) * 0.25)
def predict(x):
global input_num
global hidden_num
global weights_hidden
global weights_out
x = np.append(x.astype(float), 1.0) # input to the hidden layer: features + bias term
a = x.dot(weights_hidden) # activations of the hidden layer
z = np.tanh(a) # output of the hidden layer
q = logistic(z.dot(weights_out)) # input to the output (decision) layer
if q >= 0.5:
return 1
return 0
def train(X, t, learning_rate=0.2, epochs=50):
global input_num
global hidden_num
global weights_hidden
global weights_out
weights_hidden = np.array((2 * np.random.random((input_num + 1, hidden_num + 1)) - 1) * 0.25)
weights_out = np.array((2 * np.random.random( hidden_num + 1) - 1) * 0.25)
for epoch in range(epochs):
gradient_out = 0.0 # gradients for output and hidden layers
gradient_hidden = []
for i in range(X.shape[0]):
# forward propagation
x = np.array(X[i])
x = np.append(x.astype(float), 1.0) # input to the hidden layer: features + bias term
a = x.dot(weights_hidden) # activations of the hidden layer
z = np.tanh(a) # output of the hidden layer
q = z.dot(weights_out) # activations to the output (decision) layer
y = logistic(q) # output of the decision layer
# backpropagation
delta_hidden_s = [] # delta and gradient for a single training sample (hidden layer)
gradient_hidden_s = []
delta_out_s = t[i] - y # delta and gradient for a single training sample (output layer)
gradient_out_s = delta_out_s * z
for j in range(hidden_num + 1):
delta_hidden_s.append(tanh_deriv(a[j]) * (weights_out[j] * delta_out_s))
gradient_hidden_s.append(delta_hidden_s[j] * x)
gradient_out = gradient_out + gradient_out_s # accumulate gradients over training set
gradient_hidden = gradient_hidden + gradient_hidden_s
print "\n#", epoch, "Gradient out: ",gradient_out,
print "\n Weights out: ", weights_out
# Now updating weights
weights_out = weights_out - learning_rate * gradient_out
for j in range(hidden_num + 1):
weights_hidden.T[j] = weights_hidden.T[j] - learning_rate * gradient_hidden[j]
train(X, t, 0.2, 50)
और युग खत्म हो गया ढाल और उत्पादन इकाई के लिए वजन के विकास:
0 Gradient out: [ 11.07640724 -7.20309009 0.24776626]
Weights out: [-0.15397237 0.22232593 0.03162811]
1 Gradient out: [ 23.68791197 -19.6688382 -1.75324703]
Weights out: [-2.36925382 1.66294395 -0.01792515]
2 Gradient out: [ 79.08612305 -65.76066015 -7.70115262]
Weights out: [-7.10683621 5.59671159 0.33272426]
3 Gradient out: [ 99.59798656 -93.90973727 -21.45674943]
Weights out: [-22.92406082 18.74884362 1.87295478]
...
49 Gradient out: [ 107.89975864 -105.8654327 -104.69591522]
Weights out: [-1003.67912726 976.87213404 922.38862049]
मैं अलग डेटासेट, छिपा इकाइयों के विभिन्न संख्या की कोशिश की। मैं घटाव के बजाय इसके साथ वजन को अद्यतन करने की कोशिश की ... कुछ भी नहीं है में मदद करता है ...
किसी मुझे बता सकते हैं कि क्या गलत हो सकता है? अग्रिम
हाय, आप, 'synthetic.txt' देते हैं मैं इसे डिबग और उम्मीद है कि आवश्यक सुधार स्पॉट जाएगा कृपया कर सकते हैं, मैं पहले से ही पूर्वाग्रह अवधि कि उत्पादन परत को जाता है, साथ ही साथ जोड़ने की जरूरत जैसे कुछ याद आ रही भागों पाया पूर्वाग्रह को अद्यतन करने की व्यवस्था को बदलना जो अन्य वजन को अद्यतन करने से काफी अलग है। धन्यवाद – Curious
हाय, वास्तव में मैं इस मुद्दे को पहले से ही समाधान कर लिया है। आप सही हैं, मैंने छुपा परत में पूर्वाग्रह को याद किया। साथ ही, मैंने स्क्वायर त्रुटि फ़ंक्शन के योग के लिए बैकप्रोपैगेशन को फिर से लिखा है। आपकी रुचि के लिए धन्यवाद। –