神经网络入门--连载4

4.4 CNeuralNet.h

（神经网络类的头文件）

在CNeuralNet.h 文件中，我们定义了人工神经细胞的结构、定义了人工神经细胞的层的结构、以及人工神经网络本身的结构。下面我们先来考察人工神经细胞的结构。

4.4.1 SNeuron（神经细胞的结构）

这是很简单的结构。人工神经细胞的结构中必须有一个正整数来纪录它有多少个输入，还需要有一个向量std:vector来表示它的权重。请记住，神经细胞的每一个输入都要有一个对应的权重。

Struct SNeuron 
   { 
    // 进入神经细胞的输入个数 
    int m_NumInputs; 
  
    // 为每一输入提供的权重 
    vector;double; m_vecWeight; 
  
    //构造函数 
    SNeuron(int NumInputs); 
  };

以下就是SNeuron 结构体的构造函数形式:

SNeuron::SNeuron(int NumInputs): m_NumInputs(NumInputs+1) 
  { 
    // 我们要为偏移值也附加一个权重，因此输入数目上要 +1 
    for (int i=0; i<NumInputs+1; ++i) 
      { 
       // 把权重初始化为任意的值 
       m_vecWeight.push_back(RandomClamped()); 
      } 
   }

由上可以看出，构造函数把送进神经细胞的输入数目NumInputs作为一个变元，并为每个输入创建一个随机的权重。所有权重值在-1和1之间。

。。“ 这是什么？”我听见你在说。 “这里多出了一个权重！”不错，我很高兴看到你能注意到这一点，因为这一个附加的权重十分重要。但要解释它为什么在那里，我必须更多地介绍一些数学知识。回忆一下你就能记得，激励值是所有输入*权重的乘积的总和，而神经细胞的输出值取决于这个激励值是否超过某个阈值(t)。这可以用如下的方程来表示:

w1x1 + w2x2 + w3x3 +...+ wnxn >= t

上式是使细胞输出为１的条件。因为网络的所有权重需要不断演化（进化），如果阈值的数据也能一起演化，那将是非常重要的。要实现这一点不难，你使用一个简单的诡计就可以让阈值变成权重的形式。从上面的方程两边各减去t，得:

w1x1 + w2x2 + w3x3 +...+ wnxn –t >= 0

这个方程可以再换用一种形式写出来，如下:

w1x1 + w2x2 + w3x3 +...+ wnxn + t *(–1) >= 0

到此，我希望你已能看出，阈值t为什么可以想像成为始终乘以输入为 -１的权重了。这个特殊的权重通常叫偏移（bias），这就是为什么每个神经细胞初始化时都要增加一个权重的理由。现在，当你演化一个网络时，你就不必再考虑阈值问题，因为它已被内建在权重向量中了。怎么样，想法不错吧？为了让你心中绝对敲定你所学到的新的人工神经细胞是什么样子，请再参看一下图12。

图12 带偏移的人工神经细胞。

4.4.2 SNeuronLayer（神经细胞层的结构）
神经细胞层SNeuronLayer的结构很简单；它定义了一个如图13中所示的由虚线包围的神经细胞SNeuron所组成的层。

图13 虚线框内为一个神经细胞层

以下就是层的定义的源代码，它应该不再需要任何进一步的解释:

struct SNeuronLayer
{
// 本层使用的神经细胞数目
int m_NumNeurons;

// 神经细胞的层
vector<SNeuron> m_vecNeurons;

SNeuronLayer(int NumNeurons, int NumInputsPerNeuron);
}；

4.4.3 CNeuralNet（神经网络类）

这是创建神经网络对象的类。让我们来通读一下这一个类的定义:

class CNeuralNet
{
private:
int m_NumInputs;

int m_NumOutputs;

int m_NumHiddenLayers;

int m_NeuronsPerHiddenLyr;

// 为每一层（包括输出层）存放所有神经细胞的存储器
vector<SNeuronLayer> m_vecLayers;

所有private成员由其名称容易得到理解。需要由本类定义的就是输入的个数、输出的个数、隐藏层的数目、以及每个隐藏层中神经细胞的个数等几个参数。

public:

CNeuralNet();

该构造函数利用ini文件来初始化所有的Private成员变量，然后再调用CreateNet来创建网络。

// 由SNeurons创建网络
void CreateNet();

我下面马上就会告诉你这个函数的代码。

// 从神经网络得到（读出）权重
vector<double> GetWeights()const;

由于网络的权重需要演化，所以必须创建一个方法来返回所有的权重。这些权重在网络中是以实数型向量形式表示的，我们将把这些实数表示的权重编码到一个基因组中。当我开始谈论本工程的遗传算法时，我将为您确切说明权重如何进行编码。

// 返回网络的权重的总数
int GetNumberOfWeights()const;

// 用新的权重代替原有的权重
void PutWeights(vector<double> &weights);

这一函数所做的工作与函数GetWeights所做的正好相反。当遗传算法执行完一代时，新一代的权重必须重新插入神经网络。为我们完成这一任务的是PutWeight方法。

// S形响应曲线
inline double Sigmoid(double activation, double response);

当已知一个神经细胞的所有输入*重量的乘积之和时，这一方法将它送入到S形的激励函数。

// 根据一组输入，来计算输出
vector<double> Update(vector<double> &inputs);

对此Update函数函数我马上就会来进行注释的。

}; // 类定义结束

4.4.3.1 CNeuralNet::CreateNet（创建神经网络的方法）

我在前面没有对CNeuralNet的两个方法加以注释，这是因为我打算在这里为你显示它们的更完整的代码。这两个方法的第一个是网络创建方法CreateNet。它的工作就是把由细胞层SNeuronLayers所收集的神经细胞SNeurons聚在一起来组成整个神经网络，代码为:

void CNeuralNet::CreateNet()
{
// 创建网络的各个层
if (m_NumHiddenLayers > 0)
{
//创建第一个隐藏层［译注］
m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr,
m_NumInputs));

for( int i=O; i<m_NumHiddenLayers-l; ++i)
{
m_vecLayers.push_back(SNeuronLayer(m_NeuronsPerHiddenLyr，
m_NeuronsPerHiddenLyr));
}

// 创建输出层
m_vecLayers.push_back(SNeuronLayer(m_NumOutput,m_NeuronsPerHiddenLyr));
}

else //无隐藏层时，只需创建输出层
{
// 创建输出层
m_vecLayers.push_back(SNeuronLayer(m_NumOutputs, m_NumInputs));
}
}

4.4.3.2 CNeuralNet::Update（神经网络的更新方法）

Update函数(更新函数)称得上是神经网络的主要作坊。这里，输入网络的数据input是以双精度向量std::vector的数据格式传递进来的。Update函数通过对每个层的循环来处理输入*权重的相乘与求和，再以所得的和数作为激励值，通过S形函数来计算出每个神经细胞的输出，正如我们前面最后几页中所讨论的那样。Update函数返回的也是一个双精度向量std::vector，它对应的就是人工神经网络的所有输出。

。。请你自己花两分钟或差不多的时间来熟悉一下如下的Update函数的代码，这能使你正确理解我们继续要讲的其他内容:

vector<double> CNeuralNet::Update(vector<double> &inputs)
{
// 保存从每一层产生的输出
vector<double> outputs;

int cWeight = 0;

// 首先检查输入的个数是否正确
if (inputs.size() != m_NumInputs)
{
// 如果不正确，就返回一个空向量
return outputs;
}

// 对每一层,...
for (int i=0; i<m_NumHiddenLayers+1; ++i)
{
if (i>O)
{
inputs = outputs;
}
outputs.clear();

cWeight = 0;

// 对每个神经细胞,求输入*对应权重乘积之总和。并将总和抛给S形函数,以计算输出
for (int j=0; j<m_vecLayers[i].m_NumNeurons; ++j)
{
double netinput = 0;

int NumInputs = m_vecLayers[i].m_vecNeurons[j].m_NumInputs;

// 对每一个权重
for (int k=O; k<NumInputs-l; ++k)
{
// 计算权重*输入的乘积的总和。
netinput += m_vecLayers[i].m_vecNeurons[j].m_vecWeight[k] *
inputs[cWeight++];
}

// 加入偏移值
netinput += m_vecLayers[i].m_vecNeurons[j].m_vecWeight[NumInputs-1] *
CParams::dBias;

别忘记每个神经细胞的权重向量的最后一个权重实际是偏移值，这我们已经说明过了，我们总是将它设置成为 –1的。我已经在ini文件中包含了偏移值，你可以围绕它的上下来做文章，考察它对你创建的网络的功能有什么影响。不过，这个值通常是不应该改变的。

// 每一层的输出，当我们产生了它们后，我们就要将它们保存起来。但用Σ累加在一起的
// 激励总值首先要通过S形函数的过滤，才能得到输出
outputs.push_back(Sigmoid(netinput,CParams::dActivationResponse)); cWeight = 0:
}
}

return outputs;
}

----------------
［译注］如果允许有多个隐藏层，则由接着for循环即能创建其余的隐藏层。

转载于:https://my.oschina.net/dake/blog/196825

神经网络入门--连载4

猜你喜欢