import sys, os

sys.path.append(os.pardir)
import numpy as np

from common.functions import softmax, cross_entropy_error
from common.gradient import numerical_gradient


# simpleNet类
class simpleNet:
    def __init__(self):
        self.W = np.random.rand(2, 3)  # 随机形状为2*3的权重参数

    def predict(self, x):  # 方法一：预测
        return np.dot(x, self.W) #表示输入 x 与权重 W 之间的点积，这相当于神经网络的前向传播。

    def loss(self, x, t):  # 方法二：求损失函数值 x接受输入数据，t为真实值标签
        z = self.predict(x)
        y = softmax(z)  # softmax的输出总和=1，可将softmax函数输出的结果称为概率
        loss = cross_entropy_error(y, t)  # 交叉熵损失函数，值越小，表示越接近真实值
        return loss


net = simpleNet()#生成
print(net.W)  #输出权重参数
x = np.array([0.6, 0.9])   
p = net.predict(x)
print(p)

print(np.argmax(p))#最大的索引值

t=np.array([0,0,1])#正确标签为2

print(net.loss(x,t))#求损失函数值

#求梯度：
def f(W): #f(W)是为参数W可以在求权重函数中使用的兼容参数，类似于将W重构成f(W)?
    return net.loss(x,t)
dW=numerical_gradient(f,net.W)
print(dW)

common中用到的的function和gradient

import numpy as np

def softmax(x):
    if x.ndim == 2:
        x = x.T
        x = x - np.max(x, axis=0)
        y = np.exp(x) / np.sum(np.exp(x), axis=0)
        return y.T 

    x = x - np.max(x) # 溢出对策
    return np.exp(x) / np.sum(np.exp(x))

def cross_entropy_error(y, t):
    if y.ndim == 1:
        t = t.reshape(1, t.size)
        y = y.reshape(1, y.size)
        
    # 监督数据是one-hot-vector的情况下，转换为正确解标签的索引
    if t.size == y.size:
        t = t.argmax(axis=1)
             
    batch_size = y.shape[0]
    return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size

def numerical_gradient(f, x):
    h = 1e-4 # 0.0001
    grad = np.zeros_like(x)
    
    it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])
    while not it.finished:
        idx = it.multi_index
        tmp_val = x[idx]
        x[idx] = float(tmp_val) + h
        fxh1 = f(x) # f(x+h)
        
        x[idx] = tmp_val - h 
        fxh2 = f(x) # f(x-h)
        grad[idx] = (fxh1 - fxh2) / (2*h)
        
        x[idx] = tmp_val # 还原值
        it.iternext()   
        
    return grad

 代码详解：

第一段：simpleNet

这段代码实现了一个简单的神经网络（simpleNet 类），并展示了如何计算神经网络的预测、损失函数值以及权重的梯度。接下来，我将逐行解释代码的作用和它的核心概念。

1. 导入模块

import sys, os
sys.path.append(os.pardir)
import numpy as np
from common.functions import softmax, cross_entropy_error
from common.gradient import numerical_gradient

• import sys, os: 导入 sys 和 os 模块，允许你在程序中操作系统路径、环境变量等。
• sys.path.append(os.pardir): 将父目录添加到模块搜索路径中，以便可以访问父目录中的模块。os.pardir 是上级目录的路径。
• import numpy as np: 导入 NumPy 库，常用于数组操作和数学计算。
• from common.functions import softmax, cross_entropy_error: 从 common.functions 模块中导入 softmax 和 cross_entropy_error 函数。softmax 将网络的输出转化为概率分布，cross_entropy_error 用于计算交叉熵损失。
• from common.gradient import numerical_gradient: 从 common.gradient 模块中导入 numerical_gradient 函数，用于计算梯度。

2. simpleNet 类

class simpleNet:
    def __init__(self):
        self.W = np.random.rand(2, 3)  # 随机形状为2*3的权重参数

• class simpleNet: 定义了一个名为 simpleNet 的类，这个类是简单的神经网络模型。
• def __init__(self): 构造函数初始化模型参数。
• self.W = np.random.rand(2, 3): 初始化权重 W，它是一个 2×32 \times 3 的随机矩阵，表示有 2 个输入和 3 个输出神经元。

3. predict 方法

def predict(self, x):  # 方法一：预测
    return np.dot(x, self.W)  # 表示输入 x 与权重 W 之间的点积，这相当于神经网络的前向传播。

• def predict(self, x): 定义了一个方法 predict，用于计算神经网络的输出。
• return np.dot(x, self.W): 计算输入 x 和权重矩阵 W 的点积。点积相当于神经网络的前向传播过程，得出每个神经元的激活值。

4. loss 方法

def loss(self, x, t):  # 方法二：求损失函数值 x 接受输入数据，t 为真实标签
    z = self.predict(x)
    y = softmax(z)  # softmax的输出总和=1，可将 softmax 函数输出的结果称为概率
    loss = cross_entropy_error(y, t)  # 交叉熵损失函数，值越小，表示越接近真实值
    return loss

• def loss(self, x, t): 定义了一个计算损失的函数。x 是输入数据，t 是真实标签。
• z = self.predict(x): 调用 predict 方法计算输入 x 的预测值 z。
• y = softmax(z): 使用 softmax 函数将输出 z 转化为概率分布。softmax 函数将模型的原始输出转化为每个类别的概率。
• loss = cross_entropy_error(y, t): 使用交叉熵损失函数计算预测概率 y 和真实标签 t 之间的差异。交叉熵损失值越小，表示预测越接近真实值。
• return loss: 返回损失值。

5. 实例化并测试网络

net = simpleNet()  # 生成 simpleNet 类的实例
print(net.W)  # 输出权重参数
x = np.array([0.6, 0.9])   
p = net.predict(x)
print(p)
print(np.argmax(p))  # 打印最大值的索引

• net = simpleNet(): 创建一个 simpleNet 类的实例，初始化网络的权重。
• print(net.W): 打印权重 W，它是一个 2×32 \times 3 的随机矩阵。
• x = np.array([0.6, 0.9]): 定义输入数据 x，它是一个包含两个元素的数组。
• p = net.predict(x): 使用 predict 方法计算输入 x 的预测结果 p。
• print(p): 打印预测结果 p。
• print(np.argmax(p)): 打印 p 中最大的值的索引。np.argmax(p) 返回数组 p 中最大元素的索引，通常用于分类任务，表示预测的类别。

6. 计算损失

t = np.array([0, 0, 1])  # 正确标签为2（即第三类）
print(net.loss(x, t))  # 求损失函数值

• t = np.array([0, 0, 1]): 定义真实标签 t，这里标签为 [0, 0, 1]，表示类别 2 的独热编码。
• print(net.loss(x, t)): 计算输入数据 x 与标签 t 之间的交叉熵损失，并打印出来。

7. 计算梯度

def f(W):  # f(W) 是一个可以在求权重函数中使用的兼容参数，类似于将 W 重构成 f(W)?
    return net.loss(x, t)

dW = numerical_gradient(f, net.W)
print(dW)

• def f(W): 定义了一个函数 f(W)，该函数用于计算给定权重 W 下的损失值。这个函数将 net.loss(x, t) 封装在其中，并接受 W 作为参数。
• dW = numerical_gradient(f, net.W): 使用 numerical_gradient 函数计算损失函数 f(W) 对权重 W 的数值梯度。numerical_gradient 会通过数值差分方法计算梯度。
• print(dW): 打印计算得到的梯度 dW，它表示每个权重参数对于损失函数的敏感程度。

总结

这段代码展示了一个简单的神经网络的实现，包括了：

1. 网络的初始化（权重的随机生成）。
2. 前向传播过程（通过点积和 softmax 函数得到预测）。
3. 损失函数的计算（使用交叉熵损失）。
4. 计算损失对权重的梯度（使用数值梯度）。

通过这些步骤，代码展示了如何用 Python 构建一个简单的神经网络，并计算其梯度，从而为后续的优化（如梯度下降）做好准备。

function：激活函数softmax和求交叉熵误差

这段代码实现了两个常用的函数：softmax 和 cross_entropy_error，它们在神经网络中用于分类任务。接下来我会逐行解释这两个函数的作用和实现细节。

1. Softmax 函数

def softmax(x):
    if x.ndim == 2:
        x = x.T  # 转置，使得每一列代表一个样本
        x = x - np.max(x, axis=0)  # 减去每列的最大值，避免溢出
        y = np.exp(x) / np.sum(np.exp(x), axis=0)  # 对每列应用 softmax
        return y.T  # 转置回原来的形状

    x = x - np.max(x)  # 溢出对策，减去最大值避免指数溢出
    return np.exp(x) / np.sum(np.exp(x))  # 计算softmax

解释：

• softmax 函数将一个向量或者矩阵（代表每个类的分数）转换成概率分布。它常用于神经网络的输出层，将原始的网络输出（称为“logits”）转换为类的概率。

• if x.ndim == 2:：检查输入 x 的维度。如果 x 是二维数组（形状为 batch_size x class_num），即处理的是多个样本（一个小批量的数据），则执行以下代码：

  • x = x.T：转置矩阵，使得每一列代表一个样本的数据。
  • x = x - np.max(x, axis=0)：减去每列的最大值，防止在计算指数时溢出。因为大数的指数值会导致计算中的溢出。
  • y = np.exp(x) / np.sum(np.exp(x), axis=0)：对每列的值应用 softmax 函数，得到每个类别的概率。np.exp(x) 对每个元素求指数，np.sum(np.exp(x), axis=0) 是对每列进行求和。
  • return y.T：最后将矩阵转置回原来的形状。

• x = x - np.max(x)：如果 x 是一个一维数组（单个样本），则直接减去最大值，避免指数计算时的溢出。

• return np.exp(x) / np.sum(np.exp(x))：计算 softmax 输出，返回每个类别的概率。

Softmax 特点：

• 输入值经过 softmax 函数后，输出的概率值总和为 1。
• 它将每个输出值转换为一个介于 0 和 1 之间的值，表示该类的预测概率。

2. 交叉熵损失函数（Cross-Entropy Error）

def cross_entropy_error(y, t):
    if y.ndim == 1:
        t = t.reshape(1, t.size)  # 如果标签是1D，转换为2D
        y = y.reshape(1, y.size)  # 如果输出是1D，转换为2D
        
    if t.size == y.size:
        t = t.argmax(axis=1)  # 将标签转换为类索引（对于one-hot编码）

    batch_size = y.shape[0]  # 获取批次大小
    return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size  # 计算平均交叉熵损失

解释：

• if y.ndim == 1:：检查 y 是否是一维数组。如果 y 是一维数组，表示只有一个样本，接着将标签和预测的 y 重塑为二维数组，便于处理。

• if t.size == y.size:：检查 t 和 y 的尺寸。如果标签 t 和预测概率 y 的尺寸相同，则说明标签是 one-hot 编码。例如，标签为 [0, 0, 1]，表示类别 2。argmax(axis=1) 将标签从 one-hot 编码转换为类别索引。即 t.argmax(axis=1) 变为 2。

• batch_size = y.shape[0]：获取样本的批次大小，即 y 的第一维的大小。

• return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size：

  • np.arange(batch_size)：生成批次大小的数组（从 0 到 batch_size-1），表示样本的索引。
  • y[np.arange(batch_size), t]：从预测概率 y 中选取对应类别 t 的概率值。t 是每个样本的类别索引，y 是一个矩阵，y[i, t[i]] 会返回样本 i 在类别 t[i] 上的预测概率。
  • np.log(y[np.arange(batch_size), t] + 1e-7)：对每个样本的预测概率取对数，1e-7 是防止概率值为 0，导致对数函数计算出无穷大。
  • np.sum(...)/batch_size：求和并计算平均值，返回批次的平均交叉熵损失。

交叉熵损失：

交叉熵损失函数衡量了预测概率分布与实际标签之间的差异，特别适用于分类问题。它的值越小，表示模型的预测越准确。对于二分类任务和多分类任务，交叉熵是常用的损失函数。

总结：

• Softmax 函数将神经网络的原始输出转化为概率分布，用于分类问题。
• Cross-Entropy Error 计算模型的输出概率与实际标签之间的差异，用于量化模型的预测误差。

这两个函数常常一起使用，尤其是在多类分类任务中，softmax 用于生成分类概率，交叉熵损失用于衡量预测与真实标签的差异。

求函数的梯度值

这段代码实现了 数值梯度 的计算。数值梯度是通过有限差分方法来近似计算梯度的，常用于验证反向传播算法的正确性。接下来我将详细解释这段代码的每一部分。

1. numerical_gradient(f, x) 函数的作用

• 函数输入:

  • f: 目标函数。它接受一个输入 x，并返回该输入对应的损失值。
  • x: 参数 x，是我们要计算梯度的输入，通常是模型的参数（如权重和偏置）。

• 函数输出:

  • grad: 数值梯度，表示目标函数对每个参数 x 的导数，形状与 x 相同。

2. 初始化和设置

h = 1e-4  # 设定一个小的值，用于计算有限差分
grad = np.zeros_like(x)  # 创建一个与x相同形状的零矩阵，用于存储计算出来的梯度

• h = 1e-4: 设定一个很小的值 h，用于在计算梯度时做微小的偏移。h 是差分方法中的步长，用来近似导数。
• grad = np.zeros_like(x): 创建一个与 x 形状相同的零矩阵 grad，用来存储计算得到的梯度。

3. 使用 np.nditer 迭代 x

it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])

• np.nditer(x) 是 NumPy 中的一个迭代器，用于遍历 x 中的每一个元素。
• flags=['multi_index']: 允许获取每个元素的多维索引。
• op_flags=['readwrite']: 允许对 x 中的元素进行读取和修改。

4. 计算每个元素的数值梯度

while not it.finished:
    idx = it.multi_index  # 获取当前元素的多维索引
    tmp_val = x[idx]  # 保存当前元素的值
    x[idx] = float(tmp_val) + h  # 将当前元素加上h
    fxh1 = f(x)  # 计算 f(x + h)
    
    x[idx] = tmp_val - h  # 将当前元素减去h
    fxh2 = f(x)  # 计算 f(x - h)
    
    grad[idx] = (fxh1 - fxh2) / (2 * h)  # 通过中心差分法计算梯度
    
    x[idx] = tmp_val  # 还原当前元素的值
    it.iternext()  # 移动到下一个元素

• while not it.finished:: 这是一个循环，直到迭代器遍历完 x 中的所有元素。

• idx = it.multi_index: 获取当前元素的索引。

• tmp_val = x[idx]: 保存当前元素的原始值，以便在计算后将其还原。

• x[idx] = float(tmp_val) + h: 将当前元素的值加上 h，然后调用目标函数 f(x) 计算其值 fxh1。

• fxh1 = f(x): 计算函数在 x + h 处的值。

• x[idx] = tmp_val - h: 将当前元素的值减去 h，然后计算函数 f(x) 在 x - h 处的值 fxh2。

• fxh2 = f(x): 计算函数在 x - h 处的值。

• grad[idx] = (fxh1 - fxh2) / (2 * h): 使用中心差分法计算梯度。中心差分法通过 (f(x+h) - f(x-h)) / (2 * h) 近似计算导数。

• x[idx] = tmp_val: 还原当前元素的值，以便继续计算其他元素的梯度。

• it.iternext(): 移动到下一个元素，继续计算梯度。

5. 返回结果

return grad

• grad 是一个与 x 形状相同的矩阵，包含了 x 中每个元素的数值梯度。

数值梯度的原理

数值梯度通过有限差分方法来近似计算。对于给定的函数 f(x)，某个元素 x_i 的导数可以通过以下公式来近似：

其中：

• x + h 和 x - h 分别表示对 x_i 添加和减去微小偏移量 h 后的值。
• (f(x + h) - f(x - h)) / (2h) 是使用中心差分法近似计算的梯度。

使用场景

数值梯度主要用于验证反向传播算法的正确性。在训练神经网络时，计算梯度是一个关键步骤。反向传播算法是基于链式法则计算的梯度，而数值梯度可以作为一种“手工”计算梯度的方式，帮助我们检查反向传播是否实现正确。

总结

• 这个 numerical_gradient 函数通过对 x 中每个元素添加和减去一个小的 h 来计算数值梯度，采用了中心差分法。
• 数值梯度对于调试和验证梯度计算的正确性非常有用，特别是在训练神经网络时。