BP神经网络基本原理:
误差逆传播(back propagation, BP)算法是一种计算单个权值变化引起网络性能变化的较为简单的方法。由于BP算法过程包含从输出节点开始,反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正,所以称为“反向传播”。BP神经网络是有教师指导训练方式的多层前馈网络,其基本思想是:从网络输入节点输入的样本信号向前传播,经隐含层节点和输出层节点处的非线性函数作用后,从输出节点获得输出。若在输出节点得不到样本的期望输出,则建立样本的网络输出与其期望输出的误差信号,并将此误差信号沿原连接路径逆向传播,去逐层修改网络的权值和节点处阈值,这种信号正向传播与误差信号逆向传播修改权值和阈值的过程反复进行,直训练样本集的网络输出误差满足一定精度要求为止。
以下是使用C/C++(大多数是C语言代码,只有数据读取部分是C++)完成的一个实际案例。
要求:
将Iris(鸢尾花)数据集分为训练集(Iris-train.txt)和测试集(Iris-test.txt),分别含75个样本,每个集合中每种花各有25个样本。为了方便训练,将3类花分别编号为1,2,3 。使用这些数据训练一个4输入(分别对应4个特征)、隐含层(10个神经元)、3输出(分别对应该样本属于某一品种的可能性大小)的神经网络(4*10*3)。
1 #include <stdio.h>
2 #include <math.h>
3 #include <stdlib.h>
4 #include <time.h>
5 #include <string>
6 #include <fstream>
7 #include <iomanip>
8
9 #define innode 4//输入层结点数
10 #define hidenode 10//隐层结点数
11 #define outnode 3//输出层结点数
12 #define trainsample 75//训练样本数
13 #define testsample 75//测试样本数
14
15 double trainData[trainsample][innode];//输入样本
16 double outData[trainsample][outnode];//输出样本
17
18 double testData[testsample][innode];//测试样本
19
20 double w[innode][hidenode];//输入层到隐层的权值
21 double w1[hidenode][outnode];//隐层到输出层的权值
22 double b1[hidenode];//隐层阈值
23 double b2[outnode];//输出层阈值
24
25 double e=0.0;//误差计算
26 double error=1.0;//允许的最大误差
27
28 double rate_w=0.9;//输入层到隐层的学习率
29 double rate_w1=0.9;//隐层到输出层的学习率
30 double rate_b1=0.9;//隐层阈值学习率
31 double rate_b2=0.9;//输出层阈值学习率
32
33 double result[outnode];//bp输出
34
35 //初始化函数
36 void init(double w[], int n);
37 //Bp训练函数
38 void train(double trainData[trainsample][innode], double label[trainsample][outnode]);
39 //Bp识别
40 double *recognize(double *p);
41 //从文件夹读取数据
42 void readData(std::string filename, double data[][innode], int x);
43 //数据归一化处理
44 void changeData(double data[][innode], int x);
45
46 int main()
47 {
48 int i,j;
49 int trainNum=0;//样本训练次数
50 double *r; //测试结果
51 int count=0;//正确测试结果数
52 double maxRate = 1.0;//输出结果中的最大概率
53 //对权值和阈值进行初始化
54 init((double*)w, innode*hidenode);
55 init((double*)w1, hidenode*outnode);
56 init(b1, hidenode);
57 init(b2, outnode);
58
59 //读取训练数据
60 readData("./Iris-train.txt", trainData, trainsample);
61 //对训练数据进行归一化处理
62 changeData(trainData, trainsample);
63
64 /*for(i=0; i<trainsample; i++)
65 {
66 printf("%d: ",i+1);
67 for(j=0; j<innode; j++)
68 printf("%5.2lf",trainData[i][j]);
69 printf("\n");
70 }*/
71 //准备输出样本
72 for(i=0; i<trainsample; i++)
73 {
74 if(i<25)
75 {
76 outData[i][0] = 1;
77 outData[i][1] = 0;
78 outData[i][2] = 0;
79 }
80 else if(i<50)
81 {
82 outData[i][0] = 0;
83 outData[i][1] = 1;
84 outData[i][2] = 0;
85 }
86 else
87 {
88 outData[i][0] = 0;
89 outData[i][1] = 0;
90 outData[i][2] = 1;
91 }
92 }
93
94 printf("开始训练\n");
95 while(trainNum < 10000)
96 {
97 e = 0.0;
98 trainNum++;
99 train(trainData, outData);
100 printf("训练第%d次, error=%8.4lf\n", trainNum, error);
101 }
102 printf("训练完成\n\n");
103
104 //读入测试数据
105 readData("./Iris-test.txt", testData, testsample);
106 //归一化测试数据
107 changeData(testData, testsample);
108 for(i=0; i<testsample; i++)
109 {
110 r = recognize(testData[i]);
111 for(j=0; j<outnode; j++)
112 printf("\t%7.4lf\t",r[j]);
113 printf("\n");
114 //判断检测结果是否正确
115 if(i<25 && r[0]>r[1] && r[0]>r[2])
116 count++;
117 if(i>=25 && i<50 && r[1]>r[0] && r[1]>r[2])
118 count++;
119 if(i>=50 && r[2]>r[0] && r[2]>r[1])
120 count++;
121 }
122
123 printf("\n\n共有%d个检测样本, 正确检测出%d个, 准确率: %7.4lf\n\n",testsample, count, (double)count/testsample);
124 system("pause");
125 return 0;
126 }
127
128 //初始化函数(0到1之间的数)
129 void init(double w[], int n)
130 {
131 int i;
132 srand((unsigned int)time(NULL));
133 for(i=0; i<n; i++)
134 {
135 w[i] = 2.0*((double)rand()/RAND_MAX)-1;
136 }
137 }
138
139 //BP训练函数
140 void train(double trainData[trainsample][innode], double label[trainsample][outnode])
141 {
142 double x[innode];//输入层的个输入值
143 double yd[outnode];//期望的输出值
144
145 double o1[hidenode];//隐层结点激活值
146 double o2[hidenode];//输出层结点激活值
147 double x1[hidenode];//隐层向输出层的输入
148 double x2[outnode];//输出结点的输出
149 /*********************************************************************
150 o1: 隐层各结点的激活值等于与该结点相连的各路径上权值与该路径上的输入相乘后全部相加
151 **********************************************************************
152 x1: 隐层结点的输出,计算出o1后才能计算x1,等于 1.0/(1.0 + exp-(激活值+该结点的阈值))
153 ***********************************************************************
154 o2: 输出层结点的激活值等于与该结点相连的各路径上的权值与该路径的输入相乘后全部相加
155 ***********************************************************************
156 x2: 输出层结点的输出,计算出o2后才能计算x2,等于 1.0/(1.0 + exp-(激活值+该结点的阈值))
157 ***********************************************************************/
158
159 /*qq计算方式 (期望输出 - 实际输出)乘上 实际输出 乘上 (1-实际输出) */
160 double qq[outnode];//期望的输出与实际输出的偏差
161
162 double pp[hidenode];//隐含结点校正误差
163
164
165 int issamp;
166 int i,j,k;
167 for(issamp=0; issamp<trainsample; issamp++)
168 {
169 for(i=0; i<innode; i++)
170 x[i] = trainData[issamp][i];
171
172 for(i=0; i<outnode; i++)
173 yd[i] = label[issamp][i];
174
175 //计算隐层各结点的激活值和隐层的输出值
176 for(i=0; i<hidenode; i++)
177 {
178 o1[i] = 0.0;
179 for(j=0; j<innode; j++)
180 o1[i] = o1[i]+w[j][i]*x[j];
181 x1[i] = 1.0/(1.0+exp(-o1[i]-b1[i]));
182 }
183
184 //计算输出层各结点的激活值和输出值
185 for(i=0; i<outnode; i++)
186 {
187 o2[i] = 0.0;
188 for(j=0; j<hidenode; j++)
189 o2[i] = o2[i]+w1[j][i]*x1[j];
190 x2[i] = 1.0/(1.0+exp(-o2[i]-b2[i]));
191 }
192
193 //得到了x2输出后接下来就要进行反向传播了
194
195 //计算实际输出与期望输出的偏差,反向调节隐层到输出层的路径上的权值
196 for(i=0; i<outnode; i++)
197 {
198 qq[i] = (yd[i]-x2[i]) * x2[i] * (1-x2[i]);
199 for(j=0; j<hidenode; j++)
200 w1[j][i] = w1[j][i]+rate_w1*qq[i]*x1[j];
201 }
202
203 //继续反向传播调整输出层到隐层的各路径上的权值
204 for(i=0; i<hidenode; i++)
205 {
206 pp[i] = 0.0;
207 for(j=0; j<outnode; j++)
208 pp[i] = pp[i]+qq[j]*w1[i][j];
209 pp[i] = pp[i]*x1[i]*(1.0-x1[i]);
210
211 for(k=0; k<innode; k++)
212 w[k][i] = w[k][i] + rate_w*pp[i]*x[k];
213 }
214
215 //调整允许的最大误差
216 for(k=0; k<outnode; k++)
217 {
218 e+=fabs(yd[k]-x2[k])*fabs(yd[k]-x2[k]); //计算均方差
219 }
220 error=e/2.0;
221
222 //调整输出层各结点的阈值
223 for(k=0; k<outnode; k++)
224 b2[k]=b2[k]+rate_b2*qq[k];
225
226 //调整隐层各结点的阈值
227 for(j=0; j<hidenode; j++)
228 b1[j]=b1[j]+rate_b1*pp[j];
229 }
230 }
231
232 //Bp识别
233 double *recognize(double *p)
234 {
235 double x[innode];//输入层的个输入值
236 double o1[hidenode];//隐层结点激活值
237 double o2[hidenode];//输出层结点激活值
238 double x1[hidenode];//隐层向输出层的输入
239 double x2[outnode];//输出结点的输出
240
241 int i,j,k;
242
243 for(i=0;i<innode;i++)
244 x[i]=p[i];
245
246 for(j=0;j<hidenode;j++)
247 {
248 o1[j]=0.0;
249 for(i=0;i<innode;i++)
250 o1[j]=o1[j]+w[i][j]*x[i]; //隐含层各单元激活值
251 x1[j]=1.0/(1.0+exp(-o1[j]-b1[j])); //隐含层各单元输出
252 }
253
254 for(k=0;k<outnode;k++)
255 {
256 o2[k]=0.0;
257 for(j=0;j<hidenode;j++)
258 o2[k]=o2[k]+w1[j][k]*x1[j];//输出层各单元激活值
259 x2[k]=1.0/(1.0+exp(-o2[k]-b2[k]));//输出层各单元输出
260 }
261
262 for(k=0;k<outnode;k++)
263 {
264 result[k]=x2[k];
265 }
266 return result;
267 }
268
269 //从文件夹读取数据
270 void readData(std::string filename, double data[][innode], int x)
271 {
272 std::ifstream inData(filename, std::ios::in);
273 int i,j;
274 double dataLabel;
275 for(i=0; i<x; i++)
276 {
277 for(j=0; j<innode; j++)
278 {
279 inData >>data[i][j];
280 }
281 inData >>dataLabel;
282 }
283 inData.close();
284 }
285
286 //数据归一化处理
287 void changeData(double data[][innode], int x)
288 {
289 //归一化公式:(x-min)/(max-min)
290 double minNum,maxNum;
291 int i,j;
292 minNum = data[0][0];
293 maxNum = data[0][0];
294 //找最大最小值
295 for(i=0; i<x; i++)
296 {
297 for(j=0; j<innode; j++)
298 {
299 if(minNum > data[i][j])
300 minNum = data[i][j];
301 if(maxNum < data[i][j])
302 maxNum = data[i][j];
303 }
304 }
305 //归一化
306 for(i=0; i<x; i++)
307 {
308 for(j=0; j<innode; j++)
309 data[i][j] = (data[i][j]-minNum)/(maxNum-minNum);
310 }
311 }
使用时把以下数据集复制粘贴到txt文件,分别命名为Iris-train.txt, Iris-test.txt
训练数据:
5.1 3.5 1.4 0.2 0
4.9 3.0 1.4 0.2 0
4.7 3.2 1.3 0.2 0
4.6 3.1 1.5 0.2 0
5.0 3.6 1.4 0.2 0
5.4 3.9 1.7 0.4 0
4.6 3.4 1.4 0.3 0
5.0 3.4 1.5 0.2 0
4.4 2.9 1.4 0.2 0
4.9 3.1 1.5 0.1 0
5.4 3.7 1.5 0.2 0
4.8 3.4 1.6 0.2 0
4.8 3.0 1.4 0.1 0
4.3 3.0 1.1 0.1 0
5.8 4.0 1.2 0.2 0
5.7 4.4 1.5 0.4 0
5.4 3.9 1.3 0.4 0
5.1 3.5 1.4 0.3 0
5.7 3.8 1.7 0.3 0
5.1 3.8 1.5 0.3 0
5.4 3.4 1.7 0.2 0
5.1 3.7 1.5 0.4 0
4.6 3.6 1.0 0.2 0
5.1 3.3 1.7 0.5 0
4.8 3.4 1.9 0.2 0
7.0 3.2 4.7 1.4 1
6.4 3.2 4.5 1.5 1
6.9 3.1 4.9 1.5 1
5.5 2.3 4.0 1.3 1
6.5 2.8 4.6 1.5 1
5.7 2.8 4.5 1.3 1
6.3 3.3 4.7 1.6 1
4.9 2.4 3.3 1.0 1
6.6 2.9 4.6 1.3 1
5.2 2.7 3.9 1.4 1
5.0 2.0 3.5 1.0 1
5.9 3.0 4.2 1.5 1
6.0 2.2 4.0 1.0 1
6.1 2.9 4.7 1.4 1
5.6 2.9 3.6 1.3 1
6.7 3.1 4.4 1.4 1
5.6 3.0 4.5 1.5 1
5.8 2.7 4.1 1.0 1
6.2 2.2 4.5 1.5 1
5.6 2.5 3.9 1.1 1
5.9 3.2 4.8 1.8 1
6.1 2.8 4.0 1.3 1
6.3 2.5 4.9 1.5 1
6.1 2.8 4.7 1.2 1
6.4 2.9 4.3 1.3 1
6.3 3.3 6.0 2.5 2
5.8 2.7 5.1 1.9 2
7.1 3.0 5.9 2.1 2
6.3 2.9 5.6 1.8 2
6.5 3.0 5.8 2.2 2
7.6 3.0 6.6 2.1 2
4.9 2.5 4.5 1.7 2
7.3 2.9 6.3 1.8 2
6.7 2.5 5.8 1.8 2
7.2 3.6 6.1 2.5 2
6.5 3.2 5.1 2.0 2
6.4 2.7 5.3 1.9 2
6.8 3.0 5.5 2.1 2
5.7 2.5 5.0 2.0 2
5.8 2.8 5.1 2.4 2
6.4 3.2 5.3 2.3 2
6.5 3.0 5.5 1.8 2
7.7 3.8 6.7 2.2 2
7.7 2.6 6.9 2.3 2
6.0 2.2 5.0 1.5 2
6.9 3.2 5.7 2.3 2
5.6 2.8 4.9 2.0 2
7.7 2.8 6.7 2.0 2
6.3 2.7 4.9 1.8 2
6.7 3.3 5.7 2.1 2
测试数据:
5.0 3.0 1.6 0.2 0
5.0 3.4 1.6 0.4 0
5.2 3.5 1.5 0.2 0
5.2 3.4 1.4 0.2 0
4.7 3.2 1.6 0.2 0
4.8 3.1 1.6 0.2 0
5.4 3.4 1.5 0.4 0
5.2 4.1 1.5 0.1 0
5.5 4.2 1.4 0.2 0
4.9 3.1 1.5 0.1 0
5.0 3.2 1.2 0.2 0
5.5 3.5 1.3 0.2 0
4.9 3.1 1.5 0.1 0
4.4 3.0 1.3 0.2 0
5.1 3.4 1.5 0.2 0
5.0 3.5 1.3 0.3 0
4.5 2.3 1.3 0.3 0
4.4 3.2 1.3 0.2 0
5.0 3.5 1.6 0.6 0
5.1 3.8 1.9 0.4 0
4.8 3.0 1.4 0.3 0
5.1 3.8 1.6 0.2 0
4.6 3.2 1.4 0.2 0
5.3 3.7 1.5 0.2 0
5.0 3.3 1.4 0.2 0
6.6 3.0 4.4 1.4 1
6.8 2.8 4.8 1.4 1
6.7 3.0 5.0 1.7 1
6.0 2.9 4.5 1.5 1
5.7 2.6 3.5 1.0 1
5.5 2.4 3.8 1.1 1
5.5 2.4 3.7 1.0 1
5.8 2.7 3.9 1.2 1
6.0 2.7 5.1 1.6 1
5.4 3.0 4.5 1.5 1
6.0 3.4 4.5 1.6 1
6.7 3.1 4.7 1.5 1
6.3 2.3 4.4 1.3 1
5.6 3.0 4.1 1.3 1
5.5 2.5 4.0 1.3 1
5.5 2.6 4.4 1.2 1
6.1 3.0 4.6 1.4 1
5.8 2.6 4.0 1.2 1
5.0 2.3 3.3 1.0 1
5.6 2.7 4.2 1.3 1
5.7 3.0 4.2 1.2 1
5.7 2.9 4.2 1.3 1
6.2 2.9 4.3 1.3 1
5.1 2.5 3.0 1.1 1
5.7 2.8 4.1 1.3 1
7.2 3.2 6.0 1.8 2
6.2 2.8 4.8 1.8 2
6.1 3.0 4.9 1.8 2
6.4 2.8 5.6 2.1 2
7.2 3.0 5.8 1.6 2
7.4 2.8 6.1 1.9 2
7.9 3.8 6.4 2.0 2
6.4 2.8 5.6 2.2 2
6.3 2.8 5.1 1.5 2
6.1 2.6 5.6 1.4 2
7.7 3.0 6.1 2.3 2
6.3 3.4 5.6 2.4 2
6.4 3.1 5.5 1.8 2
6.0 3.0 4.8 1.8 2
6.9 3.1 5.4 2.1 2
6.7 3.1 5.6 2.4 2
6.9 3.1 5.1 2.3 2
5.8 2.7 5.1 1.9 2
6.8 3.2 5.9 2.3 2
6.7 3.3 5.7 2.5 2
6.7 3.0 5.2 2.3 2
6.3 2.5 5.0 1.9 2
6.5 3.0 5.2 2.0 2
6.2 3.4 5.4 2.3 2
5.9 3.0 5.1 1.8 2