BP神经网络的简单实现

很久之前就看到了一片国外的博文，大神用了11行python1代码就实现了一个最简单的神经网络。他的最精简的代码如下：

X = np.array([ [0,0,1],[0,1,1],[1,0,1],[1,1,1] ])y = np.array([[0,1,1,0]]).Tsyn0 = 2*np.random.random((3,4)) - 1syn1 = 2*np.random.random((4,1)) - 1for j in xrange(60000):    l1 = 1/(1+np.exp(-(np.dot(X,syn0))))    l2 = 1/(1+np.exp(-(np.dot(l1,syn1))))    l2_delta = (y - l2)*(l2*(1-l2))    l1_delta = l2_delta.dot(syn1.T) * (l1 * (1-l1))    syn1 += l1.T.dot(l2_delta)    syn0 += X.T.dot(l1_delta)

最近复习了一下有关于BP的理论知识，决定仿照大神的思路自己写一个简单的神经网络。其实神经网络的代码实现并不是特别困难，难就难在原理的推导上，实际原理到代码落地，这一步并不是很大的障碍。因此，也就会有11行搞定神经网络的代码了。

不过这个11行的代码确实有些精练了，因此我有扩充了一下，可以满足不同维度数据的需要，而且加入了阈值更新和多层网络，使之成为原汁原味的BP神经网络，看起来更加完善。

代码如下：

#encoding=utf-8import numpy as npimport copyimport loadDatadef nonLin(x,deriv = False):    '''    计算sigmoid函数，可以返回其导数值    :param x:输入向量或者标量    :param deriv: 是否求导    :return: 返回向量或者标量    '''    if deriv == True:        return x*(1-x)    return 1.0/(1.0+np.exp(-x))def initParameter(featureNum):    '''    初始化单层神经网络参数，默认只有一个输出单元    :param featureNum: 特征数    :return: 单层神经网络权重向量和阈值    '''    np.random.seed(1)    syn0 = 2*np.random.random((featureNum,1))-1 #生成（特征数*1）的随机浮点数向量，均值为0，列值为1的原因为只有一个输出单元    theta = 2*np.random.random()-1 # 在单层网络中，最后只有一个输出单元，因此也就只有一个1*1的阈值    return syn0,thetadef train1(dataSet,labelsSet,iterNum,alpha):    '''    一层神经网络训练    :param dataSet: 数据集，列表形式    :param labelsSet: 标签集，列表形式    :param iterNum: 最大迭代次数    :param alpha: 学习率    :return: 学习后的权重向量和阈值    '''    X = np.array(dataSet)    Y = np.array(np.mat(labelsSet).T)    featureNum = X.shape[1]    syn0,theta = initParameter(featureNum)    for iter in xrange(iterNum):        l0 = X        l1 = nonLin(np.dot(l0,syn0)-theta) # 向前传播        l1Error = Y - l1        l1Delta = l1Error*nonLin(l1,True) # 数组相乘，对应元素相乘        syn0 += np.dot(l0.T,alpha*l1Delta) # 更新权重，这里的alpha乘在哪里待定，数据集转置的原因是公式中每个输入分量都要乘以残差项，最后加和一起更新权重        theta -= sum(alpha*l1Delta) # 由于之前均为批量操作，而在这里阈值是一个1*1的数值，因此用加和的形式做批量处理    return syn0,thetadef initParameter2(featureNum,hiddenNum):    '''    两层神经网络参数的初始化    :param featureNum: 特征数目    :param hiddenNum: 隐藏层数目    :return: 初始化的两层权重向量和阈值向量    '''    syn0 = 2*np.random.random((featureNum,hiddenNum))-1 # 维度为（特征数*隐藏单元数）    syn1 = 2*np.random.random((hiddenNum,1))-1 # 维度为（隐藏单元数*1）    theta1 = 2*np.random.random((1,hiddenNum))-1 # 维度为（1*隐藏单元数）    theta2 = 2*np.random.random()-1 # 这里只有一个输出单元，因此这里仍是一个1*1的数值    return syn0,syn1,theta1,theta2def train2(dataSet,labelsSet,iterNum,alpha,hiddenNum):    '''    两层神经网络训练    :param dataSet:数据集，列表形式    :param labelsSet: 标签集，列表形式    :param iterNum: 最大迭代次数    :param alpha: 学习率    :param hiddenNum: 隐藏层数目    :return: 学习后的两层权重向量和阈值向量    '''    #X = loadData.normalize(dataSet)    X = np.array(dataSet)    Y = np.array(np.mat(labelsSet).T)    featurNum = X.shape[1]    sampleNum = X.shape[0]    syn0,syn1,theta0,theta1 = initParameter2(featurNum,hiddenNum)    for iter in xrange(iterNum):        l0 = X        l1 = nonLin(np.dot(l0,syn0)-np.tile(theta0,[sampleNum,1]))# 向前传播，注意这里的的复制矩阵的操作类似于广播的操作        l2 = nonLin(np.dot(l1,syn1)-theta1)        l2Error = Y - l2        l2Delta = l2Error*nonLin(l2,True)        oldSyn1 = copy.deepcopy(syn1) # 保留一下之前的权重，以便于第一层的更新        syn1 += l1.T.dot(l2Delta*alpha) # 更新权重        theta1 -= sum(alpha*l2Delta) # 更新阈值        l1Error = l2Delta.dot(oldSyn1.T) # 注意这里前一层误差是由后一层计算得出的        l1Delta = l1Error*nonLin(l1,True)        syn0 += l0.T.dot(l1Delta*alpha)        theta0 -= np.sum(l1Delta,0)*alpha # 按列求和，theta0为隐藏层的权值，维度为（1*隐藏层）    return syn0,syn1,theta0,theta1def test1(dataSet,labelsSet,syn0,theta):    '''    测试一层神经网络函数    :param dataSet: 数据集，列表形式    :param labelsSet: 标签集，列表形式    :param syn0: 学习后的权重向量    :param theta: 学习后的阈值    :return: 无    '''    X = np.array(dataSet)    Y = np.array(np.mat(labelsSet).T)    l0 = X    l1 = nonLin(np.dot(l0,syn0)-theta)    ans = l1 > 0.5    res = ans == Y    print sum(res)    print sum(res)/float(X.shape[0])    #print ans    #print l1def test(dataSet,labelsSet,syn0,syn1,theta0,theta1):    '''    测试两层神经网络函数    :param dataSet: 数据集，列表形式    :param labelsSet: 标签集，列表形式    :param syn0: 第一层权重    :param syn1: 第二层权重    :param theta0: 第一层阈值向量    :param theta1: 第二层阈值    :return: 无    '''    X = np.array(dataSet)    Y = np.array(np.mat(labelsSet).T)    l0 = X    l1 = nonLin(np.dot(l0,syn0)-theta0)    l2 = nonLin(np.dot(l1,syn1)-theta1)    ans = l2 > 0.5    res = ans == Y    print sum(res)    print sum(res)/float(X.shape[0])    #print ans    #print l2

具体推导原理很多博文上都有，在此就不细说了，值得注意的是，以上代码实现的都是批量操作，也就是每次都是等待所有的训练数据跑完才做出参数更新，因此我们大量使用了numpy中的矩阵操作和广播机制，这一点在实际调试的过程中很容易造成困惑。因为批量操作涉及到的矩阵计算，维度是一个很让人烧脑的问题，不过我已经在注释中做了详细的描述。

2016年5月24日更正，对原有代码的一些细节做了一下修改，主要更改的地方就是学习率alpha乘在哪里，另外这一份代码经过了小规模的数据集的测试，效果还是不错的，但对于一些维度较高而且数据量不大的数据还是有一定的局限性。