编程作业(四)
来源:互联网 发布:避孕套推荐 知乎 编辑:程序博客网 时间:2024/06/05 20:22
神经网络学习
任务一 数据可视化
在本次编程练习中,我们使用编程练习三种的数据集。除此之外,我们随机从数据集中选取100个样本,并将其可视化。
load('ex4data1.mat');m = size(X, 1);% Randomly select 100 data points to displaysel = randperm(size(X, 1));sel = sel(1:100);displayData(X(sel, :));
由于displayData()函数早已准备好了,因此我们只需在ex4.m文件中直接调用即可。其运行结果如下:
任务二 模型表达
与编程作业三一样,我们采用如下模型:
其中,输入层的激活单元数为400个,隐藏层的激活单元数为25个,输出层的激活单元数为10个。(注:输入层和隐藏层均不包括偏置单元。)
任务三 向前传播算法和代价函数
在该任务中,我们不考虑正则化问题,只考虑如何使用向前传播算法计算代价函数J(Θ)。
步骤一:利用向前传播算法计算假设函数hΘ(x)
% 假设函数hX = [ones(m, 1) X];a2 = sigmoid(X * Theta1');a2 = [ones(m, 1) a2];a3 = sigmoid(a2 * Theta2');
步骤二:根据代价函数J(Θ)的公式,计算代价函数J(Θ)
% 代价函数JY = [];E = eye(num_labels);for i=1 : num_labels t = find(y == i); % 返回y中等于i的元素所在的行数 Y(t, :) = repmat(E(i, :), size(t, 1), 1);endcost = Y .* log(a3) + (1 - Y ) .* log(1 - a3);J= -1 / m * sum(cost(:));
注:在计算代价函数J(Θ)之前,我们需要将向量y映射成一个新向量Y,我们要保证向量Y中只包含0和1。这是因为逻辑函数g(z)的特性所决定的,当g(z) ≥ 0.5时,y = 1;当g(z) < 0.5时,y = 0。
例如:我们将0~9分类则向量y为:
任务四 正则化的代价函数
正则化的代价函数J(Θ)的公式为:
注:对代价函数J(Θ)进行正则化时,我们无需考虑偏置单元。
% 假设函数hX = [ones(m, 1) X];a2 = sigmoid(X * Theta1');a2 = [ones(m, 1) a2];a3 = sigmoid(a2 * Theta2');% 代价函数JY = [];E = eye(num_labels);for i=1 : num_labels t = find(y == i); % 返回y中等于i的元素所在的行数 Y(t, :) = repmat(E(i, :), size(t, 1), 1);endtemp1 = [zeros(size(Theta1,1),1) Theta1(:,2:end)];temp1 = sum(temp1 .^ 2);temp2 = [zeros(size(Theta2,1),1) Theta2(:,2:end)];temp2 = sum(temp2 .^ 2);cost = Y .* log(a3) + (1 - Y) .* log(1 - a3);J = -1 / m .* sum(cost(:)) + lambda / (2 * m) * (sum(temp1(:)) + sum(temp2(:)));
任务五 Sigmoid gradient
在逻辑回归(二)一文中,我们就已经了解了逻辑函数g(z)关于z求导的推导过程。
其中:
因此,我们只需在sigmoidGradient.m文件中补充如下代码即可:
g = sigmoid(z) .* (1 - sigmoid(z));
任务六 随机初始化
在此之前我们所使用的权重矩阵Θ都是我们事先准备好的。在该任务中,我们要对权重矩阵Θ进行随机初始化操作。
epsilon_init = 0.12;W = rand(L_out, 1 + L_in) * 2 * epsilon_init - epsilon_init;
任务七 向后传播算法
本任务中,我们需要使用向后传播算法计算下降梯度,以便后续使用梯度下降算法或其他高级优化算法。(注:不考虑正则化。)
步骤一:我们先利用向前传播算法计算每一层的参数z和假设函数a,如此处,我们要计算出z(2),a(2),z(3)和a(3)。
% 隐藏层误差delta_1 = zeros(size(Theta1));% 输出层误差delta_2 = zeros(size(Theta2));for t = 1 : m % step 1 a_1 = X(t, :)'; z_2 = Theta1 * a_1; a_2 = sigmoid(z_2); a_2 = [1; a_2]; z_3 = Theta2 * a_2; a_3 = sigmoid(z_3);
步骤二:计算输出层的误差δ(3)。
% step 2 error_3 = zeros(num_labels, 1); for k = 1 : num_labels error_3(k) = a_3(k) - (y(t) == k); end
步骤三:计算隐藏层的误差δ(2)。(注:不考虑偏置单元。)
% step 3 error_2 = Theta2' * error_3; error_2 = error_2(2 : end) .* sigmoidGradient(z_2);
步骤四:计算误差Δ(l)。
% step 4 delta_1 = delta_1 + error_2 * a_1'; delta_2 = delta_2 + error_3 * a_2';end
注:从步骤一至步骤四第一个for循环结束。
步骤五:计算代价函数J(Θ)的偏导数。
Theta1_grad = 1 / m * delta_1;Theta2_grad = 1 / m * delta_2;
任务八 下降梯度检验
根据上图,我们可得:
由于,该部分代码早已准备好。因此,我们只需在ex4.m文件中调用即可。
任务九 正则化的神经网络
根据上图所示,我们只需将任务八中的代码修改为:
% step 5Theta1_temp = [zeros(size(Theta1,1),1) Theta1(:,2:end)];Theta2_temp = [zeros(size(Theta2,1),1) Theta2(:,2:end)];Theta1_grad = 1 / m * delta_1 + lambda / m * Theta1_temp;Theta2_grad = 1 / m * delta_2 + lambda / m * Theta2_temp;
任务十 Learning parameters using fmincg
该部分代码在ex4.m文件已经准备好了,代码如下:
% value to see how more training helps.options = optimset('MaxIter', 50);% You should also try different values of lambdalambda = 1;% Create "short hand" for the cost function to be minimizedcostFunction = @(p) nnCostFunction(p, ... input_layer_size, ... hidden_layer_size, ... num_labels, X, y, lambda);% Now, costFunction is a function that takes in only one argument (the% neural network parameters)[nn_params, cost] = fmincg(costFunction, initial_nn_params, options);% Obtain Theta1 and Theta2 back from nn_paramsTheta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), ... hidden_layer_size, (input_layer_size + 1));Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), ... num_labels, (hidden_layer_size + 1));
任务十一 隐藏层可视化
同样,ex4.m文件中该部分代码如下:
displayData(Theta1(:, 2:end));
其结果为:
任务十二 正则化参数λ的选择(选做)
在ex4.m文件中修改正则化参数λ的值和迭代次数即可。
- 编程作业(四)
- C++作业(四)
- 队列(作业四)
- 我的作业(四)
- 现代教育技术课后作业(四)
- 第二周作业(四)
- 第五周作业(四)
- c语言作业(四)
- 编程作业(一)
- 编程作业(二)
- 编程作业(五)
- 编程作业(六)
- 编程作业(七)
- 编程作业(八)
- 编程作业(三)
- Coursera-Deep Learning Specialization 课程之(四):Convolutional Neural Networks: -weak1编程作业
- Coursera-Deep Learning Specialization 课程之(四):Convolutional Neural Networks: -weak2编程作业
- Coursera-Deep Learning Specialization 课程之(四):Convolutional Neural Networks: -weak4编程作业
- HTML开发——项目心得(CSS实现导航栏选项卡炫酷渐变效果以及图片替换文本显示)
- 神经网络:表达(二)
- 神经网络:表达(三)
- 神经网络:学习(一)
- 神经网络:学习(二)
- 编程作业(四)
- 机器学习应用建议(一)
- 机器学习应用建议(二)
- 编程作业(五)
- 机器学习系统设计(一)
- 机器学习系统设计(二)
- 机器学习系统设计(三)
- 支持向量机(一)
- 支持向量机(二)