目录
- 关于
- [1 神经元模型](#1 神经元模型)
- [2 感知机与多层网络](#2 感知机与多层网络)
- [3 误差逆传播算法](#3 误差逆传播算法)
- [4 全局最小与局部极小](#4 全局最小与局部极小)
- [5 其他常见神经网络](#5 其他常见神经网络)
- [6 深度学习](#6 深度学习)
- [X 案例代码](#X 案例代码)
-
- [X.1 源码](#X.1 源码)
- [X.2 数据集（加州房价数据）](#X.2 数据集（加州房价数据）)
- [X.3 模型效果](#X.3 模型效果)
关于
- 本文是基于西瓜书（第五章）的学习记录。内容包括神经元模型、激活函数、感知机、BP算法下的前馈神经网络、参数调优方法、其他常见的神经网络、深度学习、Python实现源码。
- 西瓜书电子版：百度网盘分享链接
1 神经元模型
-
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应"
-
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"
-
M-P神经元模型 ：由McCulloch和Pitts在1943年提出，是至今仍被广泛使用的模型。在这个模型中，神经元接收来自其他神经元的输入信号，这些信号通过带权重的连接传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过激活函数f 处理以产生神经元的输出。
-
激活函数 ：理想中的激活函数是阶跃函数，它将输入值映射为输出值"0"或"1"。然而，由于阶跃函数的不连续性，实际中常用Sigmoid函数 作为激活函数，它将输入值挤压到（0,1）输出值范围内。
2 感知机与多层网络
-
感知机：由两层神经元组成，输入层接收外界输入信号后传递给输出层，输出层是M-P神经元。感知机能实现逻辑与、或、非运算，并且可以通过学习得到权重和阈值。
-
阈值可看作一个固定输入为-1.0的"哑结点"，这样权重和阈值的学习就可统一为权重的学习
-
感知机的学习过程：
- 预测正确：参数不发生变化
- 预测失败：
其中 η η η称为学习率，学习率太小会导致学习收敛速度缓慢，太大会容易振荡，有时为了精细调节可以在每一层设置不同的学习率。
-
感知机的结构示意图：
-
多层网络 ：为了解决非线性可分问题，需要使用多层功能神经元。
-
关于是否线性可分：
- 线性可分：存在一个线性超平面能将两种模式分开，如下图a，b，c。d需要两个超平面，所以不是线性可分的。
- 线性可分：存在一个线性超平面能将两种模式分开，如下图a，b，c。d需要两个超平面，所以不是线性可分的。
-
隐层/隐含层：输入层和输出层之间的神经元，隐含层和输出层神经元都是拥有激活函数的功能神经元
-
常见的神经网络：多层前馈神经网络------每层神经元与下一层神经元全互连，神经元之间不存在同层连接，也不存在跨层连接
-
不同层神经元的作用：
- 输入层：接收外界输入
- 隐层：对信号加工
- 输出层：对信号加工、输出结果
-
神经网络的学习过程，就是根据训练数据来调整神经元之间的"连接权"以及每个功能神经元的阈值；换言之，神经网络 "学"到的东西，蕴涵在连接权与阈值中。
3 误差逆传播算法
-
BP网络：一般指BP算法训练的多层前馈神经网络。
-
BP算法：
- 误差逆传播算法（BackPropagation，简称BP）是训练多层网络的最成功算法之一。
- 它基于梯度下降策略 ，通过计算误差函数的负梯度来更新参数： Δ w = − η ∂ E ∂ w \Delta w = -\eta \frac{\partial E}{\partial w} Δw=−η∂w∂E其中 η \eta η是学习率， E E E 是误差函数。
-
BP算法核心流程：
- 先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果
- 然后计算输出层的误差 ，再将误差逆向传播至隐层神经元
- 最后根据隐层神经元的误差来对连接权和阈值进行调整
- 该迭代过程循环进行，直到达到某些停止条件为止，例如训练误差已达到一个较小水平
-
BP算法伪代码：
-
关于标准BP算法和累积BP算法：
- 标准BP算法每次更新只针对单个样例，参数更新得非常频繁，而且对不同样例进行更新的效果可能出现"抵消"现象.
- 累积BP算法直接针对累积误差最小化，它在读取整个训练集D一遍后才对参数进行更新,
- 但在很多任务中，累积误差下降到一定程度之后，进一步下降会非常缓慢，这时标准B P往往会更快获得较好的解
-
过拟合的处理：
- 早停：若训练集误差降低但验证集误差升高，则停止训练，同时返回具有最小验证集误差的连接权和阈值作为训练结果
- 正则化：在误差目标函数中增加一个用于描述网络复杂度的部分
4 全局最小与局部极小
-
示意图
-
BP算法的每次迭代中，我们先计算误差函数在当前点的梯度，然后根据梯度确定搜索方向（更改权值），这容易导致进入局部最小（我们希望全局最小）。
-
跳出局部最小的解决方法（启发式，无理论保障）：
- 多组初始参数值：以多组不同参数值初始化多个神经网络，按标准方法训练后，取其中误差最小的解作为最终参数
- 模拟退火算法 ：模拟退火在每一轮迭代都以一定的概率接受比当前解更差的结果，从而有助于 "跳出"局部极小。在每步迭代过程中，接受"次优解"的概率要随着时间的推移而逐渐降低，从而保证算法稳定.
- 随机梯度下降：在计算梯度时加入了随机因素
- 遗传算法
5 其他常见神经网络
-
RBF网络：径向基函数网络
- 使用径向基函数作为隐层神经元激活函数，输出层是对隐层神经元输出的线性组合。
- 训练
- 第一步，确定神经元中心，常用的方式包括随机采样、聚类等;
- 第二步，利用BP算法等来确定参数
-
ART网络：自适应谐理论网络
- 竞争型学习：是一种无监督学习策略，网络的输出神经元相互竞争，每一时刻仅有一个竞争获胜的神经元被激活，其他神经元的状态被抑制
- ART网络由比较层、识别层、识别阈值和重置模块构成，能够进行增量学习。
-
SOM网络：自组织映射网络
- 能够将高维输入数据映射到低维空间，同时保持输入数据在高维空间的拓扑结构。
-
级联相关网络：结构自适应网络
- 训练过程中新的隐层神经元逐渐加入，从而创建起层级结构。
- 级联相关网络无需设置网络层数、隐层神经元数目，且训练速度较快，但其在数据较小时易陷入过拟合
-
Elman网络：递归神经网络
- 允许网络中出现环形结构，从而可让一些神经元的输出反馈回来作为输入信号。
-
Boltzmann机：基于能量的模型，神经元分为两层：显层与隐层，训练过程就是将每个训练样本视为一个状态向量，使其出现的概率尽可能大。
6 深度学习
-
深度学习模型 ：典型的深度学习模型就是很深层的神经网络，通过增加隐层的数目来提高模型的容量。
-
多隐层神经网络难以直接用经典算法(例如标准BP算法)进行训练，因为误差在多隐层内逆传播时，往往会"发散 "(diverge)而不能收敛到稳定状态.
-
可行的训练方法：
- 无监督逐层训练：是每次训练一层隐结点，训练时将上一层隐结点的输出作为输入，而本层隐结点的输出作为下一层隐结点的输入，这称为"预训练 " ;在预训练全部完成后，再对整个网络进行"微调"训练，如利用BP算法对整个网络微调。其思想是：将大量参数分组，对每组先找到局部看来比较好的设置，然后再基于这些局部较优的结果联合起来进行全局寻优
- 权共享：让一组神经元使用相同的连接权
-
深度学习的思想：特征学习 ：深度学习可以看作是在对输入信号进行逐层加工，从而把初始的、与输出目标之间联系不太密切的输入表示，转化为与输出目标联系更密切的表示。换言之，通过多层处理，逐渐将初始的"低层"特征表示转化为"高层"特征表示后，用 "简单模型"即可完成复杂的分类等学习任务
X 案例代码
X.1 源码
python
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from sklearn.metrics import mean_squared_error, r2_score
# 1. 加载数据集
data = fetch_california_housing()
X, y = data.data, data.target
print("此时X，y的数据类型为：", type(X), type(y), '\n')
# 2. 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print("此时X_train，y_train的数据类型为：", type(X_train), type(y_train), '\n')
print("X_train的前10条数据展示：")
print(pd.DataFrame(X_train).head(10).to_string(index=False, justify='left'), '\n')
# 3. 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 4. 构建并训练BP神经网络模型
# 包含两个隐藏层，每层包含64个神经元，激活函数为ReLU
model = Sequential([
Dense(64, activation='relu'),
Dense(64, activation='relu'),
Dense(1) # 输出层
])
# 编译模型，使用Adam优化器用于优化调整网络权重，均方误差作为损失函数，并添加MAE作为评估指标
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
# 训练模型
# 训练50个epoch，每次使用32个样本进行训练，使用验证集评估模型
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)
# 5. 预测测试集上的目标变量
y_pred = model.predict(X_test).flatten()
# 6. 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("BP神经网络模型性能：")
print(f"Mean Squared Error: {mse:.2f}")
print(f"R^2 Score: {r2:.2f}", '\n')
# 6. 绘制实际值和预测值的折线图
plt.figure(figsize=(12, 6))
plt.plot(y_test[:50], label='Actual', marker='o', color='blue')
plt.plot(y_pred[:50], label='Predicted', marker='x', color='red', linestyle='--')
plt.title('Actual vs Predicted Values for California Housing Dataset (50 Samples)')
plt.xlabel('Sample Index')
plt.ylabel('Target Value')
plt.legend()
plt.tight_layout()
plt.show()
# 8. 保存模型为HDF5文件
model.save('neural_network_model.h5')
# 可选：查看模型的训练历史
print("模型训练历史：")
pd.DataFrame(history.history).plot(figsize=(10, 6))
plt.xlabel('Epochs')
plt.ylabel('Value')
plt.title('Training and Validation Loss and Mean Absolute Error')
plt.grid(True)
plt.tight_layout()
plt.show()
# 可选：将结果保存到DataFrame中以便进一步分析
results = pd.DataFrame({
'Actual': y_test,
'Predicted': y_pred
})
# 可选，查看模型的结构、优化器、损失函数、评估指标、输入形状、输出形状、参数等
print("模型预测结果：")
print(results)
print("模型结构：")
print(model.summary())
print("模型优化器：")
print(model.optimizer)
print("模型损失函数：")
print(model.loss)
print("模型评估指标：")
print(model.metrics)
print("模型输入形状：")
print(model.input_shape)
print("模型输出形状：")
print(model.output_shape)
print("模型参数：")
print(model.get_weights())X.2 数据集（加州房价数据）
-
加州房价数据集是机器学习领域中常用的数据集之一，常被用于回归算法的测试和演示。
-
概览
- 样本数量：20640个样本
- 特征数量：8个特征
- 标签：1个连续的目标变量
-
特征描述
- MedInc (Median Income in block group)：区块组的中位数收入，单位为10,000美元。
- HouseAge (Median House Age in block group)：区块组中房屋的中位数年龄，单位为年。
- AveRooms (Average number of rooms per household)：每个家庭的平均房间数。
- AveBedrms (Average number of bedrooms per household)：每个家庭的平均卧室数。
- Population (Block group population)：区块组的人口数。
- AveOccup (Average house occupancy)：每个房屋的平均居住人数。
- Latitude (Block group latitude)：区块组的纬度。
- Longitude (Block group longitude)：区块组的经度。
-
目标变量
- MedHouseVal (Median house value for households in block group)：区块组中房屋的中位数价值，单位为100,000美元。
-
使用
- 可以使用
sklearn.datasets.fetch_california_housing()函数来加载这个数据集，并查看其详细信息。
- 可以使用
X.3 模型效果
