NNLearning阶段性总结01

神经网络最基本的元素与计算流程：

基本的组网原则：

神经网络监督学习的基本步骤：

• 初始化权值系数
• 提取一个样本输入NN，比较网络输出与正确输出的误差
• 调整权值系数，以减少上面误差——调整的方法对应不同的学习规则
• 重复二三步，直到所有的样本遍历完毕或者误差在可以容忍的范围内

Delta规则：（一种更新权值系数的规则）

• 基于sigmoid函数的Delta规则：优势，便于用于分类问题——激活函数选择

• 几种常见权值更新策略：

• 三种更新策略下的代码演示

function W = DeltaSGD(W,X,D)
    alpha = 0.9;
    N = ;
    for i = :N
        x = X(i,:)';
        d = D(i);
        v = W*x;
        y = sigmoid(v);
        e = d - y;
        dy = y*(-y)*e;
        dW = alpha*dy*x';
        W = dW + W;
    end
end

function W = DeltaBatch(W,X,D)
    alpha = 0.9;
    N = ;
    dWSum = zeros(,);
    for i = :N
        x = X(i,:)';
        d = D(i);
        v = W*x;
        y = sigmoid(v);
        e = d - y;
        dy = y*(-y)*e;
        dW = alpha*dy*x';
        dWSum = dWSum + dW;
    end
    dWavg = dWSum/N;
    W = W + dWavg;
end

function W = DeltaMiniBatch(W,X,D)
    alpha = 0.9;
    N = ;
    M = ;
    for j = :(N/M)
        dWSum = zeros(,);
        for q = :M
            i = j*(M-) + q;
            x = X(i,:)';
            d = D(i);
            v = W*x;
            y = sigmoid(v);
            e = d - y;
            dy = y*(-y)*e;
            dW = alpha*dy*x';
            dWSum = dWSum + dW;
        end
        dWavg = dWSum/M;
        W = W + dWavg;
    end
end

function y = sigmoid(x)
    y = /(+exp(-x));
end

function D = DeltaTest()
    clear all;%清除所有变量
    close all;%关闭所有打开文件

    X = [0 0 1;0 1 1;1 0 1;1 1 1];% 输入样本
    D = [0 0 1 1];%对应样本的答案

    % 初始化误差平方和向量
    E1 = zeros(1000,1);
    E2 = zeros(1000,1);
    E3 = zeros(1000,1);

    % 统一初始化权值系数
    W1 = 2*rand(1,3) - 1;
    W2 = W1;
    W3 = W1;

    % 使用三种方法训练1000轮 同时每一轮计算一次误差平方
    for epoch = 1:1000
        %各自完成一轮训练
        W1 = DeltaSGD(W1,X,D);
        W2 = DeltaBatch(W2,X,D);
        W3 = DeltaMiniBatch(W3,X,D);

        % 计算这一轮结束后的误差平方
        N= 4;
        for i = 1:N
            %利用误差计算方法计算误差
            % E1
            x = X(i,:)';
            d = D(i);
            v1 = W1*x;
            y1 = sigmoid(v1);
            E1(epoch) = E1(epoch) + (d - y1)^2;

            % E2
            v2 = W2*x;
            y2 = sigmoid(v2);
            E2(epoch) = E2(epoch) + (d - y2)^2;

            % E3
            v3 = W3*x;
            y3 = sigmoid(v3);
            E3(epoch) = E3(epoch) + (d - y3)^2;
        end

    end
    for i = 1:4
        x = X(i,:)';d = D(i);
        v = W1*x;
        y = sigmoid(v)
    end
    % 绘制三种算法策略的差异图
    plot(E1,'r');hold on
    plot(E2,'b:');
    plot(E3,'k-');
    xlabel('Epoch');
    ylabel('Sum of Squares of Training Error');
    legend('SGD',"Batch",'MiniBatch');
end