深度学习之线性单元(梯度下降算法)(二)
关于线性
线性的概念:
“线性”=”齐次性”+”可加性”,
“齐次性”是指相似于: f(ax)=af(x),
“可加性”是指相似于: f(x+y)=f(x)+f(y),
而对于单层感知器来说,是无法解决非线性的问题。非线性及不符合上述的条件的集合。
例如异或者问题:
image.png
无法找到一个合适的直线,将两边分离开来。
所以这时候就需要用到了delta法则。
delta法则
delta 法则的关键思想是使用梯度下降(gradient descent)来搜索可能权向量的假设空间, 以找到最佳拟合训练样例的权向量。
因为在真实情况下,并不能保证训练集是线性可分的。因此,当训练集线性不可分时该如何训练感知器呢?这时我们使用delta法则,通过这种方式可以找出收敛到目标的最佳近似值。
其原理是:
image.png
由于其激活函数是线性的,所以一般被称为线性单元。
激活函数:
image.png
用向量表示就是:
image.png
当然在这一种情况下,还需要考虑其每次计算后的结果的误差,根据误差来调整权值。
而这就需要用到代价函数:
image.png
其中y为期望输出,y`为实际输出。
在求得误差结果最小的情况下,就是我们所求的最优解。注:这里的1/2只是为了后面的计算方便,没有实际意义。
为了求得代价函数最小,由于:
image.png
对路所有的样本的误差和来说:
image.png
所以公式可以改写为:
image.png
由于对于样原本说(其实是监督学习的方式),x和y都是已知的,所以上述的公式中其实就是w和E(w)的关系。对整个代价函数来说,其实只有一个变量w。
这样假如想要获取E(w)的最小值,及误差最小,只要要获取的上述变量的最小值就可。因而我们可以使用导数的方式来求取最小值。当然计算机是不会解方程的,所以只能是一步一步的尝试出最小值。
因而引进梯度下降算法:
image.png
通过不断的改变w的值,来找到使得E(w)最小的位置:
image.png
对w求导结果:
image.png
这样就获取的权值调整公式。
我们可以来看一下推断出来的公式和上一章的单层感知器的差异:
image.png
其实只有激活函数不一样!!!
下面举个简单的例子说明一下:
问题
输入一组工作年限 [[5], [3], [8], [1.4], [10.1]];
期望输出其代表的年薪:[5500, 2300, 7600, 1800, 11400]
通过随便输入一个工作年限来预算其的年薪。
代码:
# coding=utf-8# numpy 支持高级大量的维度数组与矩阵运算import numpy as np# Matplotlib 是一个 Python 的 2D绘图库import matplotlib.pyplot as plt#定义坐标,设定5组输入数据,每组为(x0,x1,)X=np.array([[1,5], [1,3], [1,8], [1,1.4], [1,10.1]]);#设定输入向量的期待输出值Y=np.array([5500,2300,7600,1800,11400]);#设定权值向量(w0,w1)W = np.array([0,0]); #设定学习率lr = 0.01;#计算迭代次数n=0;#神经网络输出O=0;def updateW(): global X,Y,W,lr,n; n+=1; O=np.dot(X,W.T); #计算权值 W_Tmp = lr*((Y-O.T).dot(X))/int(X.shape[0]); #升级权值向量 W = W+W_Tmp;def draw(): global W; x1=[5,3,8,1.4,10.1]; y1=[5500,2300,7600,1800,11400]; #绘制分割线需要的等差数列 x=np.linspace(0,12); #创立子图 plt.figure(); #根据坐标绘图 激活函数:y=x1W1+w0 plt.plot(x,x*W[1]+W[0],'r'); plt.plot(x1,y1,'*'); plt.show();if __name__ == '__main__': #设置迭代次数 for index in range (100): updateW(); #获取组合器输出结果 O=np.dot(X,W.T); #打印 实际值 print O; draw();执行结果:
image.png
参考:
线性学习器
https://blog.csdn.net/wasd6081058/article/details/7886697
零基础入门深度学习(2) – 线性单元和梯度下降(写的非常浅显易懂!!!感谢作者)
https://www.zybuluo.com/hanbingtao/note/448086
网易视频课程——深度学习入门系列
http://study.163.com/course/courseMain.htm?courseId=1004111045
1. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 分享目的仅供大家学习和交流,您必须在下载后24小时内删除!
3. 不得使用于非法商业用途,不得违反国家法律。否则后果自负!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请联系管理员处理!
6. 本站资源售价只是摆设,本站源码仅提供给会员学习使用!
7. 如遇到加密压缩包,请使用360解压,如遇到无法解压的请联系管理员
开心源码网 » 深度学习之线性单元(梯度下降算法)(二)