机器学习 | Week4-Neural Networks Representation神经网络：表达

最新推荐文章于 2024-11-11 10:06:31 发布

原创最新推荐文章于 2024-11-11 10:06:31 发布 · 254 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #机器学习

吴恩达机器学习笔记专栏收录该内容

6 篇文章

订阅专栏

本文主要探讨了神经网络的非线性模型，指出线性回归和逻辑回归的局限性，并引出了神经网络作为解决庞大计算量的有效方法。详细介绍了神经网络的模型表示，包括神经元模型、激活单元、权重和输入单元。此外，还阐述了神经网络在多类别分类中的应用，以及编程作业中的向量化矩阵计算技巧。

作为英语课程，读中文参考资料的确有助于理解，但是出于对以后更长久的学习优势考虑，笔记中我会尽量采用英文来表述，这样有助于熟悉专有名词以及常见语法结构，对于无中文翻译的资料阅读大有裨益。

Week4-Neural Networks Representation神经网络：表达

一、Non-linear Hypothesis非线性模型（经过考虑，事实上hypothesis这里更像一个模型而非假设，事实上吴恩达在week1的课程中也指出hypothesis这个叫法不够恰当，但是大家都这么叫也就沿袭了）

Linear regression and Logistic regression都需要过多的features，这会导致拟合计算量极大

线性回归和逻辑回归都是多项式
使用排列组合决定参数数目的的非线性形式多项式

但是计算量肉眼可见依然极其庞大，因此引入一种存在很久的古老算法——Nerual Networks神经网络

第一块的第二节视频介绍了一下历史，etc.略过

二、Model Representation模型表示

neuron model：logistic unit
1. activation unit 激活单元
2. weight 权重 $θ\theta$ , or paramaters 参数
3. input units输入单元
4. 第一层input layer，最后一层output layer，中间层为hidden layers，每一层可以加一个偏差单位bias unit（==1）
Neural Network
1. $a_i^j$ ：=activation of unit i in layer j ；第j层的第i个神经元的激励，指输入后一个神经元得到的输出值
2. $Θj\Theta^j$ 权重矩阵，控制着从j到j+1层的映射
3. g：激励函数
4. j层有 $s_j$ 个神经元，j+1层有 $s_{j+1}$ 个神经元，则权重矩阵维度为 $s_{j+1}*(s_j+1)$ 最后的1是整体加一列，这是因为x1层中多了一个常数偏差单位，而a1层中的常数偏差单位并不需要被计算， $S_{j+1}$ 层是矩阵的行（每层输出结果数，a的数目），( $S_j$ +1)是列
Forward Propagation：Vectorized implementation前向传播算法的矢量化
1. $z2=Θ1a1z^2=\Theta^1a^1$
2. $a^2=g(z^2)$ ,add $a_0^2=1$
3. $z3=Θ2a2z^3=\Theta^2a^2$
4. $hΘ(a)=a3=g(z3)h_\Theta(a)=a^3=g(z^3)$
5. 描述：神经网络所做的就像逻辑回归logistic，但并非用x1，x2作为输入特征，而是用a1,a2作为新的输入特征，此特征是自己产生的，通过计算效果比直接用X1,X2作为特征输入好，隐藏层变成了输入向量，这些特征值比x能更好的预测数据

三、Application（Examples）

单层神经元可以当作一个逻辑运算单元，看可以执行异或、与、非异或等
多层神经元
1. 在取非运算的参数前放一个绝对值很大的负数作为权值
Multiclass Classification多类别分类
- 每个数据在output layer都只有一个1，也就是one of $1 0 0 0]^T$ 的含义

四、Programming Assignment

第一部分变成任务和week3的正则化逻辑回归表达式一致，实际上课程意思week3就用loop来做矩阵计算，week4教你向量化矩阵计算

h_theta=sigmoid(X*theta);% 5*1
J=sum(-y'*log(h_theta)-(1-y)'*log(1-h_theta))/m+lambda*sum(theta(2:end,:).^2)/(2*m);% 1 demension
% =============================================================

grad = grad(:);
grad(1)= (h_theta-y)'*X(:,1)/m;
grad(2:end)= (h_theta-y)'*X(:,2:n)/m+lambda*theta(2:n)'/m;

One-vs-ALL Classfication
```
for c=1:num_labels
     initial_theta = zeros(n + 1, 1);
     options = optimset('GradObj', 'on', 'MaxIter', 50);
     all_theta(c,:) = ...
                 fmincg (@(t)(lrCostFunction(t, X, (y == c), lambda)), ...
                 initial_theta, options);
end
```
1. 需要使用fmincg函数而非fminunc
2. 这个新的优化函数是个坑==，照着注释原模原样用就可以了；
3. 这一步题目中说的好像很多，但其实就相当于对每一个选定的C=1:num_label和相应的y==c代入，得到每个C对应的代价函数
在第二步中已经得到了对应y==c（1~10）的 $Θ\Theta$ 函数，那么这里分别带入c的值，h=1也就是预测了这个c值，否则就不是；
```
[c p]=max(sigmoid(X*all_theta'),[],2);% X m*(n+1)   all_theta 1*n+1   p=m*1  a_2=m*1
```
- 注意matlab中max函数用法
  
  C = max(A,[],dim) 返回A中有dim指定的维数范围中的最大值,dim=1按列，dim=2按行
  
  如果A是一个矩阵，max(A)将A的每一列作为一个向量，返回一行向量包含了每一列的最大元素
  
  [a b ]=max(A),a是最大值，b是最大值的index（行/列号）

Neural Networks

a2=sigmoid(X*Theta1');  % X m*n+1     Theta 25 * n+1   
a2=[ones(size(a2,1),1) a2];  %m*26
a3=sigmoid(a2*Theta2');
[maxnum index]=max(a3,[],2);
p=index;

最简单的三层前向算法神经网络