MLP算法的介绍

浅浅的花香味﹌ 2024-03-25 15:52 13阅读 0赞

#### 一、背景 ####

多层感知器(Multi-Layer Perceptron，MLP)也叫人工神经网络(Artificial Neural Network，ANN)，除了输入输出层，它中间可以有多个隐层。最简单的MLP需要有一层隐层，即输入层、隐层和输出层才能称为一个简单的神经网络。通俗而言，神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标，这个目标可以是识别这个图片是不是一只猫，是不是一条狗或者属于哪个分布。

#### 二、感知器 ####

2.1 人工神经元  
人工神经元就是使用一个数学函数来对生物的神经元建模。  
简单来说，一个人工神经元就是接受一个或者多个输入（训练数据），对它们加和，并产生一个输出。一般来说，这里面的加和指的是加权求和（每个输入乘上权重，并加上一个偏差），然后将加和的输入传递给一个非线性函数（一般称作激活函数或者转移函数）。  
2.2 最简单的人工神经元——感知器  
感知器是实现人工神经元最简单的方法，它的历史可以追溯到20世纪50年代，在20世纪60年代的时候，首次被实现。  
简单来说，感知器就是一个二元分类函数，它将输入映射到一个二元输出，单层感知器  
2.3 感知器算法  
简化版的感知器算法如下：  
① 以一个随机分布初始化权值和偏差（通常比较小）；  
② 选择一个输入向量，并将其放入神经网络中；  
③ 将输入与权重相乘，并加上偏差，计算网络的输出y’；  
④ 感知器的函数如下：  
![bdb61ab17a404695b7234dfdf88d9b43.png][]  
![fc13a14aeee74b7ebfe41d90065141e7.png][]

#### 三、神经网络的原理 ####

我们基于生物神经元模型可得到多层感知器MLP的基本结构，最典型的MLP包括包括三层：输入层、隐层和输出层，MLP神经网络不同层之间是全连接的（全连接的意思就是：上一层的任何一个神经元与下一层的所有神经元都有连接）。

**![933e3de8e8b05db4dd50db9693e79104.jpeg][]**

**对感知机进行数学建模**

通常我们把（w,b,统一称为为W权重）

**ΣW\*X+b（矩阵相乘求和）(Σ求和，W权重，b偏置，x输入）**

此可知，神经网络主要有三个基本要素：**权重、偏置和激活函数**

权重：神经元之间的连接强度由权重表示，权重的大小表示可能性的大小

偏置：偏置的设置是为了正确分类样本，是模型中一个重要的参数，即保证通过输入算出的输出值不能随便激活。

激活函数：起非线性映射的作用。其可将神经元的输出幅度限制在一定范围内，一般限制在（-1~1）或（0~1）之间。最常用的激活函数是Sigmoid函数，其可将（-∞，+∞）的数映射到（0~1）的范围内

#### 四、python代码 ####

class Perceptron(object):
        def __init__(self, input_num, activator):
            '''
            初始化感知器，设置输入参数的个数，以及激活函数。
            激活函数的类型为double -> double
            '''
            self.activator = activator
            # 权重向量初始化为0
            self.weights = [0.0 for _ in range(input_num)]
            # 偏置项初始化为0
            self.bias = 0.0
        def __str__(self):
            '''
            打印学习到的权重、偏置项
            '''
            return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)
        def predict(self, input_vec):
            '''
            输入向量，输出感知器的计算结果
            '''
            # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
            # 变成[(x1,w1),(x2,w2),(x3,w3),...]
            # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
            # 最后利用reduce求和
            return self.activator(
                reduce(lambda a, b: a + b,
                       map(lambda (x, w): x * w,  
                           zip(input_vec, self.weights))
                    , 0.0) + self.bias)
        def train(self, input_vecs, labels, iteration, rate):
            '''
            输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
            '''
            for i in range(iteration):
                self._one_iteration(input_vecs, labels, rate)
        def _one_iteration(self, input_vecs, labels, rate):
            '''
            一次迭代，把所有的训练数据过一遍
            '''
            # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
            # 而每个训练样本是(input_vec, label)
            samples = zip(input_vecs, labels)
            # 对每个样本，按照感知器规则更新权重
            for (input_vec, label) in samples:
                # 计算感知器在当前权重下的输出
                output = self.predict(input_vec)
                # 更新权重
                self._update_weights(input_vec, output, label, rate)
        def _update_weights(self, input_vec, output, label, rate):
            '''
            按照感知器规则更新权重
            '''
            # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
            # 变成[(x1,w1),(x2,w2),(x3,w3),...]
            # 然后利用感知器规则更新权重
            delta = label - output
            self.weights = map(
                lambda (x, w): w + rate * delta * x,
                zip(input_vec, self.weights))
            # 更新bias
            self.bias += rate * delta
    def f(x):
        '''
        定义激活函数f
        '''
        return 1 if x > 0 else 0
    def get_training_dataset():
        '''
        基于and真值表构建训练数据
        '''
        # 构建训练数据
        # 输入向量列表
        input_vecs = [[1,1], [0,0], [1,0], [0,1]]
        # 期望的输出列表，注意要与输入一一对应
        # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
        labels = [1, 0, 0, 0]
        return input_vecs, labels    
    def train_and_perceptron():
        '''
        使用and真值表训练感知器
        '''
        # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
        p = Perceptron(2, f)
        # 训练，迭代10轮, 学习速率为0.1
        input_vecs, labels = get_training_dataset()
        p.train(input_vecs, labels, 10, 0.1)
        #返回训练好的感知器
        return p
    if __name__ == '__main__': 
        # 训练and感知器
        and_perception = train_and_perceptron()
        # 打印训练获得的权重
        print and_perception
        # 测试
        print '1 and 1 = %d' % and_perception.predict([1, 1])
        print '0 and 0 = %d' % and_perception.predict([0, 0])
        print '1 and 0 = %d' % and_perception.predict([1, 0])
        print '0 and 1 = %d' % and_perception.predict([0, 1])

#### 五、总结 ####

多层感知机：MLP分类器会有一个好的识别率且分类速度更快。但是其训练没有SVM分类快，尤其对于巨大量的训练集。

参考：

[TensorFlow - 什么是感知器（Perceptron）\_西西弗Sisyphus的博客-CSDN博客][TensorFlow - _Perceptron_Sisyphus_-CSDN]

[神经网络1：多层感知器-MLP - 知乎][1_-MLP -]

[https://www.cnblogs.com/jokerjason/p/7132837.html][https_www.cnblogs.com_jokerjason_p_7132837.html]

[bdb61ab17a404695b7234dfdf88d9b43.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/a9b86b4fb15f482dbeddcc867815bea0.png
[fc13a14aeee74b7ebfe41d90065141e7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/d51b9048af3c4d28b57ce796f1fea4e4.png
[933e3de8e8b05db4dd50db9693e79104.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/c8c62c35be9a4da3a161d9bf665a937a.png
[TensorFlow - _Perceptron_Sisyphus_-CSDN]: https://blog.csdn.net/flyfish1986/article/details/79233713
[1_-MLP -]: https://zhuanlan.zhihu.com/p/63184325?utm_source=wechat_timeline
[https_www.cnblogs.com_jokerjason_p_7132837.html]: https://www.cnblogs.com/jokerjason/p/7132837.html