人工神经网络 拟合函数By halcon

     现在深度学习越来越流行，在很多地方都能看到它的声影，最常见的就是应用在图像分类上。

     今天给大家带来的是人工神经网络（多层感知器MLP）拟合正弦函数曲线的例子。我们选用的平台是 halcon, 大家理解了原理之后，可以应用到其它平台上，如 openCV ,tensorflow，and so on.

    话不多说，进入今天的正题：

第一步： 创建一个网络模型

//create_class_mlp( : : NumInput, NumHidden, NumOutput, OutputFunction, Preprocessing, NumComponents, RandSeed : MLPHandle) 

  NHidden = 10;
  create_class_mlp(1, NHidden, 1, "linear", "none", 1, 42, &MLPHandle);

这里有个需要注意的地方， 输入层和输出层的大小要与特征向量的维度相等。 由于我们是拟合函数，自然 ，特征 和标签（label）的维度都是 1，所以  输入层和输出层 都设置 为 1。而输出层需要注意，设置太小，可能特征学习不完全，设置过大，学习过程会过拟合。这两者都是我们不愿意看到的，这个隐藏层数只能去尝试，或者根据长期的经验，这里我设置的是  10. 拟合正弦函数的结果还不错，可以改成其他值试一试。

 

第二步，接下来，我们添加训练数据样本。

  //Generate the training data
  NData = 1000;
  for (i=0; i<=1000; i+=1)
  {
    Temp = i*0.01;
    D[i] = Temp;
    T[i] = Temp.Sin();
    add_sample_class_mlp(MLPHandle, HTuple(D[i]), HTuple(T[i]));
  }

需要注意点，特征数据和标签都是浮点数精度，换成整型会报错.  这一步也比较简单。

第三步，接下来，我们训练网络模型。

//train_class_mlp( : : MLPHandle, MaxIterations, WeightTolerance, ErrorTolerance : Error, ErrorLog) 

  //Train the MLP
  train_class_mlp(MLPHandle, 200000, 0.001, 0.001, &Error, &ErrorLog);

这一步只有一行代码，对其中几个重要的参数说明一下：如果需要其他参数说明，可以在halcon中查看说明。

MLPHandle： 网络模型的句柄，代表这个模型。

MaxIterations ： 训练时候的迭代次数。 本例子设置的是200000.

Error ： 最后一次迭代完成的 最小残差。

ErrorLog ： 记录其中迭代次日志，从本文的例子来看，只保存有几次的残差日志数据。

第四步   测试估计训练好的模型准确度。

 evaluate_class_mlp (MLPHandle, 3.1415926/6, Y)

测试数据也比较简单， 选取  进行测试，得到如下结果：

可以看到，预测估算的结果基本与正弦函数测试值一致，说明我们的模型训练还算是成功的。

 

第五步  清除模型。

clear_class_mlp (MLPHandle)

         好了，以上就是 关于人工神经网络模型训练的一个例子，通过这个例子，可以了解到神经网络训练的一般步骤，为后面学习更加复杂的深度学习模型打下一定的基础。