【火炉炼AI】深度学习002-构建并训练单层神经网络模型

【火炉炼AI】深度学习002-构建并训练单层神经网络模型

(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

前面我们介绍了神经网络的基本结构单元-感知器，现在我们再升一级，看看神经网络的基本结构和训练方法。

1. 单层神经网络

单层神经网络由一个层次中的多个神经元组成，总体来看，单层神经网络的结构是：一个输入层，一个隐含层，一个输出层。如下为结构示意图。

图中描述的是前向网络，但其反向传播网络的结构也是一样的。蓝色方框表示输入层，绿色圆圈表示隐含层，输出层没有绘制出来。图片来源于2017/7/20 朱兴全教授学术讲座观点与总结第二讲：单个神经元/单层神经网络。

也可以从下图中看出单层神经网络的基本结构：

那么从代码上怎么创建单层神经网络，并对其进行训练呢？

1.1 加载数据集

首先我们加载数据集，该数据集很简单，包含16行，四列，前两列是double型数据，构成了特征列，后两列是整数（0或1），构成了标签列。加载方式很简单，前面讲过多次，此处只把该数据集中特征列的分布情况绘制出来。如下

1.2 建立模型并训练

数据集准备完成后， 就需要构建单层神经网络模型，并对其进行训练。

# 构建单层NN模型，该模型的隐含层含有两个感知器
import neurolab as nl
x_min, x_max = dataset_X[:,0].min(), dataset_X[:,0].max()
y_min, y_max = dataset_X[:,1].min(), dataset_X[:,1].max()
single_layer_net = nl.net.newp([[x_min, x_max], [y_min, y_max]], 2) # 隐含层含有两个神经元
# 所以本单层NN模型含有两个输入神经元，两个隐含层神经元，两个输出神经元
cost = single_layer_net.train(dataset_X, dataset_y, epochs=50, show=2, lr=0.01)
# 训练该单层NN模型，50个回合，每2个回合显示一下训练结果，学习速率为0.01

-------------------------------------输---------出--------------------------------

Epoch: 2; Error: 7.5;
Epoch: 4; Error: 7.0;
Epoch: 6; Error: 4.0;
Epoch: 8; Error: 4.0;
Epoch: 10; Error: 4.0;
Epoch: 12; Error: 4.0;
Epoch: 14; Error: 4.0;
Epoch: 16; Error: 4.0;
Epoch: 18; Error: 4.0;
Epoch: 20; Error: 4.0;
Epoch: 22; Error: 4.0;
Epoch: 24; Error: 4.0;
Epoch: 26; Error: 4.0;
Epoch: 28; Error: 4.0;
Epoch: 30; Error: 4.0;
Epoch: 32; Error: 4.0;
Epoch: 34; Error: 4.0;
Epoch: 36; Error: 4.0;
Epoch: 38; Error: 4.0;
Epoch: 40; Error: 4.0;
Epoch: 42; Error: 4.0;
Epoch: 44; Error: 4.0;
Epoch: 46; Error: 4.0;
Epoch: 48; Error: 4.0;
Epoch: 50; Error: 4.0;
The maximum number of train epochs is reached

--------------------------------------------完-------------------------------------

可以看出在第6个回合时，cost就达到最低，并不再变化，表示已经收敛，再提高训练回合数也用处不大。将Error变化图绘制出来可以得到：

1.3 使用训练好的模型来预测新样本

训练后的模型肯定是要用它来预测新样本，期望它能对从来没有见过的新样本也能得到理想的结果。

预测的代码为：

# 用训练好的模型来预测新样本
new_samples=np.array([[0.3, 4.5],
                      [4.5, 0.5],
                      [4.3, 8]])
print(single_layer_net.sim(new_samples))

-------------------------------------输---------出--------------------------------

[[0. 0.]
[1. 0.]
[1. 1.]]

--------------------------------------------完-------------------------------------

单单从结果上来看，我们成功的构建了单层NN模型并对其进行训练，通过训练后的模型来成功预测了新样本，一般的，一个深度学习模型流程就是这样的。

单层神经网络模型虽然结构简单，训练很快，比较适合一些简单问题，对于复杂一些的问题，这个模型就会力不从心，并且，有时我们的优化方法并不一定能够找到所希望的优化参数，也找不到所需要的拟合函数，由于模型比较简单，难以学习到复杂的内在机理，很容易产生欠拟合。

########################小**********结###############################

1，单层神经网络模型结构简单，训练耗时短，能够解决的问题也相对比较简单，对于比较复杂的问题会出现欠拟合，故而应用上受到一定限制，目前直接使用单层神经网络模型的情况非常少。

#################################################################

注：本部分代码已经全部上传到（我的github）上，欢迎下载。

参考资料:

1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译