ufldl学习笔记与编程作业：Multi-Layer Neural Network(多层神经网络+识别手写体编程)

ufldl学习笔记与编程作业：Multi-Layer Neural Network(多层神经网络+识别手写体编程)

ufldl出了新教程，感觉比之前的好，从基础讲起，系统清晰，又有编程实践。

在deep learning高质量群里面听一些前辈说，不必深究其他机器学习的算法，可以直接来学dl。

于是最近就开始搞这个了，教程加上matlab编程，就是完美啊。

新教程的地址是：http://ufldl.stanford.edu/tutorial/

本节学习地址：http://ufldl.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/

神经网络一般求解过程：

1 正向传播，把每一层的激活值求出来，还有总的cost。

  基本上，隐藏层的激活值都是加权和再加上bias，再激活函数比如sigmoid。

  输出层的激活值，也许不叫激活值，叫特征值更好。以softmax为例，是将上一层的激活值作为特征输入X，将权重W作为theta参数，根据公式算出h。

2 反向传播。

先计算输出层的残差。这个可以根据损失函数直接求导。

由l+1层的残差和l层的激活值，即可求得l层的W和b的梯度。

由l+1层的残差和l层的W，还有l层激活函数的偏导数，即可求得l层的残差。

4 更新参数W和b

5 加入权重衰减项防止过拟合。求cost和梯度的时候，需要做相应的调整。

下面是supervised_dnn_cost.m的代码：

function [ cost, grad, pred_prob] = supervised_dnn_cost( theta, ei, data, labels, pred_only)%SPNETCOSTSLAVE Slave cost function for simple phone net%   Does all the work of cost / gradient computation%   Returns cost broken into cross-entropy, weight norm, and prox reg%        components (ceCost, wCost, pCost)%% default valuespo = false;if exist('pred_only','var')    po = pred_only;end;%% reshape into networknumHidden = numel(ei.layer_sizes) - 1;numSamples = size(data, 2);hAct = cell(numHidden+1, 1);gradStack = cell(numHidden+1, 1);stack = params2stack(theta, ei);%% forward prop%%% YOUR CODE HERE %%%for l=1:numHidden   %隐藏层特征计算if(l == 1)z = stack{l}.W*data;else z = stack{l}.W*hAct{l-1};endz = bsxfun(@plus,z,stack{l}.b);hAct{l}=sigmoid(z);end%输出层(softmax)特征计算h = (stack{numHidden+1}.W)*hAct{numHidden};h = bsxfun(@plus,h,stack{numHidden+1}.b);e = exp(h);pred_prob = bsxfun(@rdivide,e,sum(e,1)); %概率表hAct{numHidden+1} = pred_prob;%[~,pred_labels] = max(pred_prob, [], 1);%% return here if only predictions desired.if po    cost = -1; ceCost = -1; wCost = -1; numCorrect = -1;    grad = [];    return;end;%% compute cost 输出层softmax的cost%%% YOUR CODE HERE %%%ceCost =0;c= log(pred_prob);%fprintf("%d,%d\n",size(labels,1),size(labels,2)); %60000,1I=sub2ind(size(c), labels', 1:size(c,2));%找出矩阵c的线性索引，行由labels指定，列由1:size(c,2)指定，生成线性索引返回给Ivalues = c(I);ceCost = -sum(values);%% compute gradients using backpropagation%%% YOUR CODE HERE %%%% Cross entroy gradient%d = full(sparse(labels,1:size(c,2),1));    d = zeros(size(pred_prob));d(I) = 1;error = (pred_prob-d); %输出层的残差 %梯度，残差反向传播for l = numHidden+1: -1 : 1gradStack{l}.b = sum(error,2);if(l == 1)gradStack{l}.W = error*data';    break;%l==1时，即当前层是第一层隐藏层时，不需要再传播残差else gradStack{l}.W = error*hAct{l-1}';enderror = (stack{l}.W)'*error .*hAct{l-1}.* (1-hAct{l-1});%后面部分是激活函数偏导数end%% compute weight penalty cost and gradient for non-bias terms%%% YOUR CODE HERE %%%wCost = 0;for l = 1:numHidden+1    wCost = wCost + .5 * ei.lambda * sum(stack{l}.W(:) .^ 2);%所有权值的平方和endcost = ceCost + wCost;% Computing the gradient of the weight decay.for l = numHidden : -1 : 1    gradStack{l}.W = gradStack{l}.W + ei.lambda * stack{l}.W;%softmax没用到权重衰减项end%% reshape gradients into vector[grad] = stack2params(gradStack);end

原来训练集是60000条，有点费时间，我改了run_train.m代码，把训练集改了10000条。

当然影响了准确度。

恢复源代码，拿60000条做训练集，结果如下：

本文作者：linger

本文链接：http://blog.csdn.net/lingerlanlan/article/details/38464317