【深度学习】最强算法之：深度神经网络（DNN）

news2024/11/15 13:25:15

深度神经网络

1、引言
2、深度神经网络
- 2.1 定义
- 2.2 原理
- 2.3 实现方式
- 2.4 算法公式
- - 2.4.1 前向传播公式
  - 2.4.2 反向传播公式
- 2.5 代码示例
3、总结

1、引言

小屌丝：鱼哥，我遇到难题了
小鱼：然后呢
小屌丝：你帮我看看呗？
小鱼：怎么看？
小屌丝：… 用眼睛看。
小鱼：这… 那咱就看看
在这里插入图片描述

小屌丝：… 你这是看啥，没让你看视力表
小鱼：我得先看看视力表，以便我好选择用什么工具帮你看这个难题
小屌丝：我… 你随意
小鱼：你可不能干了，不然，待会泡完澡谁结账啊。
小屌丝：我…你…
小鱼：好了，我知道什么难题了，这就开整。
小屌丝：牛啊，牛啊，牛
小鱼：大河弯弯向东流，还是这么牛。

2、深度神经网络

2.1 定义

深度神经网络（DNN）是一种由多个神经元层组成的人工神经网络模型。
与传统的浅层神经网络相比，DNN具有更多的隐藏层，从而能够处理更复杂和抽象的特征。
DNN通过学习输入数据的表示，逐层提取特征，最终实现对数据的分类、回归等任务。

2.2 原理

DNN的核心原理在于通过多层神经元进行特征学习和抽象表示。
- 在DNN中，每个神经元都接收前一层所有神经元的输出，根据权重和激活函数对输入进行计算，并将结果传递给下一层神经元。
- 通过堆叠多个这样的层，DNN能够逐步提取输入数据中的高层次特征，从而实现对复杂数据的高效学习和处理。

DNN的训练过程通常使用反向传播算法。

在训练过程中，DNN根据输入数据和期望输出之间的误差来调整网络参数，以使误差最小化。
通过不断地优化网络参数，DNN能够逐渐提高模型的性能和泛化能力。

2.3 实现方式

DNN的实现方式主要依赖于深度学习框架，如TensorFlow、PyTorch等。这些框架提供了丰富的神经网络层和操作，使得构建和训练DNN变得相对简单。

在实现DNN时，

首先需要定义网络结构，包括输入层、隐藏层和输出层的神经元数量以及激活函数等。
其次，使用框架提供的API构建网络模型，并初始化网络参数。
然后，准备训练数据集，并将数据输入到网络中进行训练。

在训练过程中，通过反向传播算法更新网络参数，直至模型收敛。

2.4 算法公式

DNN的算法公式主要包括前向传播和反向传播两部分。

前向传播公式
反向传播公式

2.4.1 前向传播公式

前向传播公式：

输入层到隐藏层的传播： $z^{(l)} = W^{(l)}a^{(l-1)} + b^{(l)})$
隐藏层到输出层的传播： $(a^{(l)} = \sigma(z^{(l)}))$

其中， $(l)$ 表示层数， $W^{(l)})$ 和 $b^{(l)})$ 分别表示第 $(l)$ 层的权重和偏置， $(\sigma)$ 表示激活函数， $a^{(l-1)})$ 表示前一层的输出， $z^{(l)})$ 表示当前层的线性输出， $a^{(l)})$ 表示当前层的激活输出。

2.4.2 反向传播公式

反向传播公式：

计算误差项： $(\delta^{(l)} = \frac{\partial J}{\partial z^{(l)}} = ((W^{(l+1)})^T \delta^{(l+1)} \odot \sigma'(z^{(l)}))$
更新权重和偏置： $(W^{(l)} = W^{(l)} - \alpha \frac{\partial J}{\partial W^{(l)}})，(b^{(l)} = b^{(l)} - \alpha \frac{\partial J}{\partial b^{(l)}})$

其中， $(J)$ 表示损失函数， $(\alpha)$ 表示学习率， $(\odot)$ 表示逐元素相乘。

2.5 代码示例

# -*- coding:utf-8 -*-
# @Time   : 2024-03-15
# @Author : Carl_DJ

'''
实现功能：
    Python和TensorFlow实现简单DNN示例

'''
import tensorflow as tf  
  
# 定义模型参数  
input_size = 784  # 输入层神经元数量  
hidden_size = 128  # 隐藏层神经元数量  
num_classes = 10  # 输出层神经元数量（分类任务中的类别数）  
  
# 构建模型  
model = tf.keras.Sequential([  
    tf.keras.layers.Flatten(input_shape=(input_size,)),  
    tf.keras.layers.Dense(hidden_size, activation='relu'),  
    tf.keras.layers.Dense(num_classes, activation='softmax')  
])  
  
# 编译模型  
model.compile(optimizer='adam',  
              loss='sparse_categorical_crossentropy',  
              metrics=['accuracy'])  
  
# 训练模型  
model.fit(x_train, y_train, epochs=10, batch_size=32)  
  
# 评估模型  
loss, accuracy = model.evaluate(x_test, y_test)  
print('Test loss:', loss)  
print('Test accuracy:', accuracy)

解析：

首先定义了模型参数，包括输入层、隐藏层和输出层的神经元数量。
然后，使用tf.keras.Sequential构建了一个包含两个全连接层的DNN模型。
- 第一个全连接层使用ReLU激活函数，
- 第二个全连接层使用Softmax激活函数进行多分类
- 模型使用Adam优化器和稀疏类别交叉熵损失函数进行编译
最后，我们使用训练数据对模型进行训练，并在测试数据上评估模型的性能。

运行结果示例

Epoch 1/10  
375/375 [==============================] - 4s 11ms/step - loss: 0.4985 - accuracy: 0.8550  
Epoch 2/10  
375/375 [==============================] - 4s 11ms/step - loss: 0.2614 - accuracy: 0.9142  
...  
Epoch 10/10  
375/375 [==========================] - 4s 11ms/step - loss: 0.1340 - accuracy: 0.9620  
  
157/157 [==============================] - 1s 6ms/step - loss: 0.1215 - accuracy: 0.9645  
Test loss: 0.1214522695541382  
Test accuracy: 0.9645