mini-batch方法实现一个基本的神经网络训练过程代码详解

阿崽meitoufa

已于 2025-02-26 12:52:14 修改

阅读量467

点赞数 4

CC 4.0 BY-SA版权

文章标签：神经网络深度学习 python gpt 机器学习人工智能

于 2025-02-25 16:26:30 首次发布

本文链接：https://blog.youkuaiyun.com/cbdA_ZAI/article/details/145856206

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import matplotlib.pyplot as plt
from dataset.mnist import load_mnist
from two_layer_net import TwoLayerNet

# 读入数据
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, one_hot_label=True)

network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)

iters_num = 10000  # 适当设定循环的次数
train_size = x_train.shape[0]
batch_size = 100
learning_rate = 0.1

train_loss_list = []
train_acc_list = []
test_acc_list = []

iter_per_epoch = max(train_size / batch_size, 1)

for i in range(iters_num):
    batch_mask = np.random.choice(train_size, batch_size)
    x_batch = x_train[batch_mask]
    t_batch = t_train[batch_mask]
    
    # 计算梯度
    #grad = network.numerical_gradient(x_batch, t_batch)
    grad = network.gradient(x_batch, t_batch)
    
    # 更新参数
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
    
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)
    
    if i % iter_per_epoch == 0:
        train_acc = network.accuracy(x_train, t_train)
        test_acc = network.accuracy(x_test, t_test)
        train_acc_list.append(train_acc)
        test_acc_list.append(test_acc)
        print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))

# 绘制图形
markers = {'train': 'o', 'test': 's'}
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list, label='train acc')
plt.plot(x, test_acc_list, label='test acc', linestyle='--')
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()

这段代码实现了一个基本的神经网络训练过程，使用了 MNIST 数据集进行手写数字分类。主要功能包括数据加载、网络训练、梯度计算和参数更新。具体功能的解释如下：

1. 导入数据

(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True, one_hot_label=True)

load_mnist 是一个用来加载 MNIST 数据集的函数。MNIST 数据集包含 60000 张训练图片和 10000 张测试图片，每张图片是 28x28 的灰度图像，表示数字 0 到 9。
normalize=True 表示对图像进行归一化处理，使得每个像素值在 [0, 1] 范围内。
one_hot_label=True 表示标签是 One-Hot 编码格式，即每个标签是一个 10 维的向量，只有对应数字位置为 1，其他为 0。

2. 网络设置

network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)

TwoLayerNet 是一个两层神经网络类，input_size=784 表示输入层有 784 个神经元（28x28 的图像展开成一个向量），hidden_size=50 表示隐藏层有 50 个神经元，output_size=10 表示输出层有 10 个神经元（对应 10 个数字类别）。

3. 超参数设置

iters_num = 10000  # 适当设定循环的次数
train_size = x_train.shape[0]
batch_size = 100
learning_rate = 0.1

iters_num = 10000：训练的总迭代次数。
train_size = x_train.shape[0]：训练集的样本数。
batch_size = 100：每次使用 100 个样本来进行训练，即每个 mini-batch 包含 100 个数据。
learning_rate = 0.1：学习率，用来控制每次更新权重时的步长。

4. 训练过程

for i in range(iters_num):
    batch_mask = np.random.choice(train_size, batch_size)
    x_batch = x_train[batch_mask]
    t_batch = t_train[batch_mask]
    
    # 计算梯度
    grad = network.gradient(x_batch, t_batch)
    
    # 更新参数
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
    
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)
    
    if i % iter_per_epoch == 0:
        train_acc = network.accuracy(x_train, t_train)
        test_acc = network.accuracy(x_test, t_test)
        train_acc_list.append(train_acc)
        test_acc_list.append(test_acc)
        print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))

迭代训练：通过 for i in range(iters_num) 循环进行训练，每次循环代表一次迭代。
批量选择数据：batch_mask 随机选择 100 个训练样本。
计算梯度：调用 network.gradient(x_batch, t_batch) 计算当前批次数据的梯度。
更新参数：使用计算出的梯度更新网络的权重和偏置。更新规则是 parameter -= learning_rate * gradient，即梯度下降法。
计算损失：通过 network.loss(x_batch, t_batch) 计算当前批次的损失并保存到 train_loss_list 中。
计算并打印准确率：每完成一个 epoch（通过 i % iter_per_epoch == 0 检查），计算训练集和测试集的准确率，并打印。

这段代码实现了神经网络的训练过程，并绘制了训练和测试准确率的变化曲线。下面是对代码每个部分的详细解释：

4.1 初始化变量
train_loss_list = []
train_acc_list = []
test_acc_list = []
train_loss_list 用于保存每次训练的损失值（loss），记录训练过程中损失的变化。
train_acc_list 用于保存每个 epoch 后的训练准确率。
test_acc_list 用于保存每个 epoch 后的测试准确率。
iter_per_epoch = max(train_size / batch_size, 1)
计算每个 epoch 内需要多少次迭代才能遍历整个训练集。train_size 是训练数据的样本数量，batch_size 是每次训练时使用的样本数量。iter_per_epoch 表示每个 epoch 内的迭代次数。

4.2 训练过程
for i in range(iters_num):
循环 iters_num 次，每次循环表示进行一次迭代。iters_num 是总的训练迭代次数。
    batch_mask = np.random.choice(train_size, batch_size)
    x_batch = x_train[batch_mask]
    t_batch = t_train[batch_mask]
batch_mask = np.random.choice(train_size, batch_size)：从训练集 x_train 中随机选取 batch_size 个样本，batch_mask 是选择的样本索引。
x_batch 和 t_batch 分别是选中的训练样本和对应的标签。x_batch 是输入数据，t_batch 是标签。
    # 计算梯度
    #grad = network.numerical_gradient(x_batch, t_batch)
    grad = network.gradient(x_batch, t_batch)
计算梯度：network.gradient(x_batch, t_batch) 计算当前批次数据（x_batch, t_batch）的梯度。梯度表示损失函数相对于网络参数（权重和偏置）的变化率，反映了如何更新参数以最小化损失。
    # 更新参数
    for key in ('W1', 'b1', 'W2', 'b2'):
        network.params[key] -= learning_rate * grad[key]
使用梯度下降法更新网络的参数。通过对每个参数（W1, b1, W2, b2）应用梯度更新公式：

其中，eta 是学习率（learning_rate），决定每次更新的步长。
    loss = network.loss(x_batch, t_batch)
    train_loss_list.append(loss)
计算当前批次的损失（loss），并将其添加到 train_loss_list 中。

4.3 每个 epoch 后的评估
    if i % iter_per_epoch == 0:
        train_acc = network.accuracy(x_train, t_train)
        test_acc = network.accuracy(x_test, t_test)
        train_acc_list.append(train_acc)
        test_acc_list.append(test_acc)
        print("train acc, test acc | " + str(train_acc) + ", " + str(test_acc))
每当一个 epoch（即遍历完整个训练集）结束时，计算训练集和测试集上的准确率。
network.accuracy(x_train, t_train)：计算训练集上的准确率。
network.accuracy(x_test, t_test)：计算测试集上的准确率。

将训练准确率和测试准确率分别存储在 train_acc_list 和 test_acc_list 中，并打印出每个 epoch 的准确率。

总结：

代码通过循环进行网络的训练，并在每个 epoch 后计算并输出训练和测试的准确率。
使用梯度下降法更新网络的权重和偏置，并通过损失函数（如交叉熵损失）计算每个批次的损失。

5. 绘制准确率图形

markers = {'train': 'o', 'test': 's'}
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list, label='train acc')
plt.plot(x, test_acc_list, label='test acc', linestyle='--')
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()