2-MLP讲解

文章目录

• 2. 神经网络

• 2.1 概念

• 2.1.1 概念
• 2.1.2 应用-分类

• 2.2 前期准备

• 2.2.1 神经元
• 2.2.2 激活函数

• 1) sigmoid函数
• 2) 双极性Sigmoid函数
• 3) 阶跃函数
• 
  
• 4) ReLU

• 2.2.3 层介绍

• 1) 输入层
• 2) 隐藏层
• 3) 输出层
• 4) Softmax-with-Loss 层
• 5) Affine层

• 2.3 损失函数

• 2.3.1 均方误差
• 2.3.2 交叉熵误差

2. 神经网络

参考资料

https://blog.csdn.net/as091313/article/details/79080583

2.1 概念

2.1.1 概念

人工神经网络（artificial neural network，ANN），简称神经网络（neural network，NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。

神经网络是一种运算模型，由大量的节点（或称“神经元”）和之间相互的联接构成。

每个节点代表一种特定的输出函数，称为激励函数、激活函数（activation function）。

每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。

网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

2.1.2 应用-分类

神经网络最重要的用途是分类，为了让大家对分类有个直观的认识，咱们先看几个例子：

• 垃圾邮件识别：现在有一封电子邮件，把出现在里面的所有词汇提取出来，送进一个机器里，机器需要判断这封邮件是否是垃圾邮件。
• 疾病判断：病人到医院去做了一大堆肝功、尿检测验，把测验结果送进一个机器里，机器需要判断这个病人是否得病，得的什么病。
• 猫狗分类：有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗。

2.2 前期准备

2.2.1 神经元

神经网络中最基本的成分是神经元模型，即上述定义中的简单单元

$Inputs$:输入

$Weights$：权值，权重

$Bias$：偏置，或者称为阈值

$Activationfunction$:激活函数

这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。

2.2.2 激活函数

参考资料

https://zhuanlan.zhihu.com/p/25279356

激活函数是用来加入非线性因素的，解决线性模型所不能解决的问题。

简而言之，激活层是为矩阵运算的结果添加非线性的。

常用的激活函数有三种，分别是阶跃函数、Sigmoid和ReLU。不要被奇怪的函数名吓到，其实它们的形式都很简单，如下图（更正：sigmoid在负无穷是应趋近于0）：

• 阶跃函数：当输入小于等于0时，输出0；当输入大于0时，输出1。
• Sigmoid：当输入趋近于正无穷/负无穷时，输出无限接近于1/0。
• ReLU：当输入小于0时，输出0；当输入大于0时，输出等于输入。

1) sigmoid函数

sigmoid函数是一种常见的挤压函数，其将较大范围的输入挤压到$(0,1)$区间内，其函数的表达式与形状如下图所示：

该函数常被用于分类模型，因为其具有很好的一个特性$f^\prime(x)=f(x)(1-f(x))$.这个函数也会被用于下面的神经网络模型中做激活函数。

2) 双极性Sigmoid函数

$h(x)=\frac{2}{1+e^{-\alpha x}}-1 \\ h^\prime(x)=\frac{2\alpha e^{-\alpha x}}{(1+e^{-\alpha x})}=\alpha\frac{1-h(x)^2}{2}$

例子

$f(x)-\frac{1-e^{-x}}{1+e^{-x}}$

3) 阶跃函数

阶跃函数是一种特殊的连续时间函数，是一个从0跳变到1的过程，属于奇异函数

4) ReLU

线性整流函数（Rectified Linear Unit, ReLU），又称**修正线性单元，**是一种人工神经网络中常用的激活函数（activation function）

2.2.3 层介绍

该模型与一个有向无环图相关联

$f(x)=f^{(3)}(f^{(2)}(f^{(1)}(x)))$

$f^{(1)}$被称为网络的第一层，叫做输入层

$f^{(2)}$被称为网络的第二层，叫做隐藏层

$f^{(3)}$被称为网络的第三层，叫做输出层

1) 输入层

在我们的例子中，输入层是坐标值，例如$(1,1)$，这是一个包含两个元素的数组，也可以看作是一个$1\times 2$的矩阵。输入层的元素维度与输入量的特征息息相关，如果输入的是一张$32\times 32$像素的灰度图像，那么输入层的维度就是$32\times 32$。

2) 隐藏层

连接输入层和隐藏层的是$W_1$和$b_1$。由X计算得到H十分简单，就是矩阵运算：
$H=X\cdot W_1+b_1$
如果你学过线性代数，对这个式子一定不陌生。如上图中所示，在设定隐藏层为50维（也可以理解成50个神经元）之后，矩阵H的大小为$1\times 50$的矩阵。

连接隐藏层和输出层的是W2和b2。同样是通过矩阵运算进行的：
$Y=H\cdot W_2+b_2$
一系列线性方程的运算最终都可以用一个线性方程表示

也就是说，上述两个式子联立后可以用一个线性方程表达。对于两次神经网络是这样，就算网络深度加到100层，也依然是这样。这样的话神经网络就失去了意义。

所以这里要对网络注入灵魂：激活层。

需要注意的是，每个隐藏层计算（矩阵线性运算）之后，都需要加一层激活层，要不然该层线性计算是没有意义的。

3) 输出层

输出Y的值可能会是(3,1,0.1,0.5)这样的矩阵，诚然我们可以找到里边的最大值“3”，从而找到对应的分类为I，但是这并不直观。我们想让最终的输出为概率，也就是说可以生成像(90%,5%,2%,3%)这样的结果，这样做不仅可以找到最大概率的分类，而且可以知道各个分类计算的概率值。

具体是怎么计算的呢？

计算公式如下：

$S_i=\frac{e^i}{\sum_je^j}$

简单来说分三步进行：

（1）以e为底对所有元素求指数幂；

（2）将所有指数幂求和；

（3）分别将这些指数幂与该和做商。

这样求出的结果中，所有元素的和一定为1，而每个元素可以代表概率值。

我们将使用这个计算公式做输出结果正规化处理的层叫做“Softmax”层。此时的神经网络将变成

4) Softmax-with-Loss 层

• Softmax层：将输入值正规化（输入值和调整为1，反映概率）后输出。
• Loss层：cross entropy error(交叉熵误差，一种损失函数)接收Softmax的输出（y1, y2, y3）和监督标签（t1, t2, t3）, 输出损失L。

包含作为损失函数的交叉熵误差（cross entropy error），所以称为“Softmax-with-Loss层”。

Softmax-with-Loss层的计算图：

简易版Softmax-with-Loss层的计算图：

5) Affine层

神经网络在传播时，进行的矩阵乘积运算。

神经网络的正向传播中，为了计算加权信号的总和，使用了矩阵的乘积运算（NumPy中是 np.dot()）

神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换”

如图：

2.3 损失函数

2.3.1 均方误差

$E=\frac{1}{2}\sum_{k}(y_k-t_k)^2$

$y_k$表示神经网络输出，$t_k$表示监督数据,k表示数据的维度

2.3.2 交叉熵误差

$E=-\sum_{k}t_klogy_k$

$y_k$表示神经网络输出，$t_k$表示监督数据,$k$表示数据的维度

$ log$是以e为底数的自然对数