🍊本文详细介绍了FNN的原理,并给出了具体的推导过程
🍊使用Pytorch搭建了FNN模型,并对糖尿病数据集开展分类任务实战
一、Introduction
在神经网络中,最基本的结构就是神经元,给定一组神经元,如何组合成一个神经网络呢?一个最简单的做法就是将神经元分成不同的组,每组作为一个网络层,随后与前一层全连接,如下图中所示,这就是前馈神经网络。
很多时候我们将前馈神经神经网络称为多层感知机MLP(Mutlti-Layer Perceptron),但是严谨的来讲,此称谓并不合适,因为FNN的每个神经元是LogisticRegression模型,是连续的非线性模型,而MLP的本意是非连续的非线性模型。
二、Principle
前馈神经网络的原理也非常简单,即每两层网络层都是全连接,每一层的神经元接受到上一层的神经元信号并传递到下一层。以下是数学公式推导过程
令 = 𝒙,前馈神经网络通过不断迭代下面公式进行信息传播:
三、Experiment
题目:diabetes是一个糖尿病数据集,一共有8个特征,最终需要判断该人是否患有糖尿病,即二分类任务。其数据集如下(该数据集比较经典,网上很容易下载到)。现需要使用建立FNN模型对其开展分类任务。
伪代码
1 数据读取
2 定义FNN模型
3 定义损失函数和优化器
4 模型训练
5 可视化训练结果
import numpy as npimport torchimport matplotlib.pyplot as plt# Prepare the datasetdataset = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32, encoding='utf-8')x_data = torch.from_numpy(dataset[:, :-1])y_data = torch.from_numpy(dataset[:, [-1]])# Define the modelclass FNNModel(torch.nn.Module):def __init__(self):super(FNNModel, self).__init__()self.linear1 = torch.nn.Linear(8, 6) # 输入数据的特征有8个,也就是有8个维度,随后将其降维到6维self.linear2 = torch.nn.Linear(6, 4) # 6维降到4维self.linear3 = torch.nn.Linear(4, 2) # 4维降到2维self.linear4 = torch.nn.Linear(2, 1) # 2w维降到1维self.sigmoid = torch.nn.Sigmoid() # 可以视其为网络的一层,而不是简单的函数使用def forward(self, x):x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))x = self.sigmoid(self.linear4(x))return xmodel = FNNModel()# Define the criterion and optimizercriterion = torch.nn.BCELoss(reduction='mean') # 返回损失的平均值optimizer = torch.optim.SGD(model.parameters(), lr=0.1)epoch_list = []loss_list = []# Trainingfor epoch in range(1000000):y_pred = model(x_data)loss = criterion(y_pred, y_data)print('Epoch[{}/{}],loss:{:.6f}'.format(epoch+1, 1000000, loss.item()))epoch_list.append(epoch)loss_list.append(loss.item())optimizer.zero_grad()loss.backward()optimizer.step()# Drawingplt.plot(epoch_list, loss_list)plt.xlabel('epoch')plt.ylabel('loss')plt.show()
Result
可以看到随着时间的推进,该模型的损失值在不断的收敛。说明此FNN模型是有效的
在正式的项目中,1数据集的处理都是通过Dataset类和DataLoader类进行的
2 使用SGD比较少,更多的是使用mini_batch训练方法
3 使用__main__脚本进行项目的开启
因此作者重写了上述内容
import numpy as npimport torchimport matplotlib.pyplot as pltfrom torch.utils.data import Dataset, DataLoader# Prepare the datasetclass DiabetesDateset(Dataset):# 加载数据集def __init__(self, filepath):xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32, encoding='utf-8')self.len = xy.shape[0] # shape[0]是矩阵的行数,shape[1]是矩阵的列数self.x_data = torch.from_numpy(xy[:, :-1])self.y_data = torch.from_numpy(xy[:, [-1]])# 获取数据索引def __getitem__(self, index):return self.x_data[index], self.y_data[index]# 获得数据总量def __len__(self):return self.lendataset = DiabetesDateset('diabetes.csv')train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2) # num_workers为多线程# Define the modelclass FNNModel(torch.nn.Module):def __init__(self):super(FNNModel, self).__init__()self.linear1 = torch.nn.Linear(8, 6) # 输入数据的特征有8个,也就是有8个维度,随后将其降维到6维self.linear2 = torch.nn.Linear(6, 4) # 6维降到4维self.linear3 = torch.nn.Linear(4, 2) # 4维降到2维self.linear4 = torch.nn.Linear(2, 1) # 2w维降到1维self.sigmoid = torch.nn.Sigmoid() # 可以视其为网络的一层,而不是简单的函数使用def forward(self, x):x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))x = self.sigmoid(self.linear4(x))return xmodel = FNNModel()# Define the criterion and optimizercriterion = torch.nn.BCELoss(reduction='mean') # 返回损失的平均值optimizer = torch.optim.SGD(model.parameters(), lr=0.01)epoch_list = []loss_list = []# Trainingif __name__ == '__main__':for epoch in range(100):# i是一个epoch中第几次迭代,一共756条数据,每个mini_batch为32,所以一个epoch需要迭代23次# data获取的数据为(x,y)loss_one_epoch = 0for i, data in enumerate(train_loader, 0):inputs, labels = datay_pred = model(inputs)loss = criterion(y_pred, labels)loss_one_epoch += loss.item()optimizer.zero_grad()loss.backward()optimizer.step()loss_list.append(loss_one_epoch / 23)epoch_list.append(epoch)print('Epoch[{}/{}],loss:{:.6f}'.format(epoch + 1, 100, loss_one_epoch / 23))# Drawingplt.plot(epoch_list, loss_list)plt.xlabel('epoch')plt.ylabel('loss')plt.show()
Result
因为Mini_batch训练的方法虽然最终效果比较好,但是训练的速度实在是太慢了,因此作者将Epoch只设置了100层,因此最终的Loss在67%左右,如果加大训练量如第一个实验中的Epoch中,那么Loss会继续收敛的
参考资料
《机器学习》周志华
《深度学习与机器学习》吴恩达
《神经网络与与深度学习》邱锡鹏
《Pytorch深度学习实战》刘二大人