神经网络NN算法(理论篇)

起步

神经网络算法( Neural Network )是机器学习中非常非常重要的算法。这是整个深度学习的核心算法，深度学习就是根据神经网络算法进行的一个延伸。理解这个算法的是怎么工作也能为后续的学习打下一个很好的基础。

背景

神经网络是受神经元启发的，对于神经元的研究由来已久，1904年生物学家就已经知晓了神经元的组成结构。

• 1943年，心理学家McCulloch和数学家Pitts参考了生物神经元的结构，发表了抽象的神经元模型MP。
• 1949年心理学家Hebb提出了Hebb学习率，认为人脑神经细胞的突触（也就是连接）上的强度上可以变化的。于是计算科学家们开始考虑用调整权值的方法来让机器学习。这为后面的学习算法奠定了基础。
• 1958年，计算科学家Rosenblatt提出了由两层神经元组成的神经网络。他给它起了一个名字--感知器（ Perceptron ）。
• 1986年，Rumelhar和Hinton等人提出了反向传播（ Backpropagation ，BP）算法，这是最著名的一个神经网络算法。

神经网络的构成

多层神经网络由三部分组成：输入层( input layer ), 隐藏层 ( hidden layers ), 输出层 ( output layers )。

每一层都是有单元( units )组成，其中，输入层是由训练集中实例特征向量传入，根据连接点之间的权重传递到下一层，这样一层一层向前传递。

输入层和输出层都只有一层，隐藏层的个数可以是任意的。神经网络的层数计算中不包括输入层，比方说一个神经网络中有2个隐藏层，我们就说这是一个3层的神经网络。

作为多层向前神经网络，理论上，如果有足够多的隐藏层和训练集，是可以模拟出任何方程的。

神经网络可以用来解决分类( classification ）问题，也可以解决回归( regression )问题。

从单层到多层的神经网络

由两层神经网络构成了单层神经网络，它还有个别名———— 感知器 。

如图中，有3个输入，连接线的权值分别是 w1, w2, w3。将输入与权值进行乘积然后求和，作为 z 单元的输入，如果 z 单元是函数 g ，那么就有 z = g(a1 * w1 + a2 * w2 + a3 * w3) 。

单层神经网络的扩展，也是一样的计算方式：

在多层神经网络中，只不过是将输出作为下一层的输入，一样是乘以权重然后求和：

设计神经网络结构

使用神经网络进行训练之前，必须确定神经网络的层数，以及每一层中单元的个数。整个训练过程就是调整连接点之间的权重值。

特征向量在被传入输入层前，通常要先标准化为 0 到 1 之间的数，这是为了加速学习过程。

对于分类问题，如果是两类，可以用一个输出单元（0 和 1 表示分类结果）进行表示。如果是多分类问题，则每一个类别用一个输出单元表示。分类问题中，输出层单元个数通常等于类别的数量。

目前没有明确的规则来设计最好有多少个隐藏层，通常是根据实验测试和误差，以及准确度来进行改进。

交叉验证方法

如何来预测准确度呢？在SVM的应用篇中，有个方法就是将数据集分为两类，训练集和测试集，利用测试集的数据将模型的预测结果进行对比，得出准确度。这里介绍另一个常用但更科学的方法————交叉验证方法( Cross-Validation )。

这个方法不局限于将数据集分成两份，它可以分成 k 份。用第一份作为训练集，其余作为测试集，得出这一部分的准确度 ( evaluation )。再用第二份作为训练集，其余作为测试集，得出这第二部分的准确度。以此类推，最后取各部分的准确度的平均值。从而可以得到设计多少层最佳。

BP 算法

BP 算法 ( BackPropagation )是多层神经网络的训练一个核心的算法。目的是更新每个连接点的权重，从而减小预测值( predicted value )与真实值 ( target value )之间的差距。输入一条训练数据就会更新一次权重，反方向（从输出层=>隐藏层=>输入层）来以最小化误差（error）来更新权重（weitht）。

在训练神经网络之前，需要初始化权重( weights )和偏向( bias )，初始化是随机值， -1 到 1 之间，每个单元有一个偏向。

算法详细介绍

数据集用 D 表示，学习率用 l 表示。对于每一个训练实例 X，都是一样的步骤。

利用上一层的输入，得到本层的输入:

$$ I_j = \sum_i w_{i,j}O_i + \theta{j} $$

得到输入值后，神经元要怎么做呢？我们先将单个神经元进行展开如图：

得到值后需要进行一个非线性转化，这个转化在神经网络中称为激活函数( Activation function )，这个激活函数是一个 S 函数，图中以 f 表示，它的函数为：

$$ O_j = \frac1{1+e^{-I_j}} $$

更新权重

通过上面的传递规则，可以得到最终的输出，而训练实例中包含实际的值，因此可以得到训练和实际之间的误差。根据误差(error)反向传送。

对于输出层的误差为：

$$ Err_j = O_j(1 - O_j)(T_j - O_j) $$

其中 Oj 表示预测值， Tj 表示真实值。

对隐藏层的误差：

$$ Err_j = O_j(1 - O_j)\sum_k Err_kw_{j,k} $$

更新权重：

$$ \begin{align*} \Delta w_{i,j} &= (l)Err_jO_i \\ w_{i,j} &= w_{i,j} + \Delta w_{i,j} \end{align*} $$

这里的 l 是学习率。偏向更新：

$$ \begin{align*} \Delta \theta{j} &= (l)Err_j \\ \theta{j} &= \theta{j} + \Delta \theta{j} \end{align*} $$

训练的终止条件

怎样才算是一个训练好了的神经网络呢？满足下面一个情况即可：

• 权重的更新低于某个阈值，这个阈值是可以人工指定的；
• 预测的错误率低于某个阈值；
• 达到预设一定的循环次数。

BP 算法举例

假设有一个两层的神经网络，结构，权重和数据集如下：

计算误差和更新权重：