神经网络与机器学习笔记—LMS（最小均方算法）和学习率退火

神经网络与机器学习笔记—LMS（最小均方算法）和学习率退火

LMS算法和Rosenblatt感知器算法非常想，唯独就是去掉了神经元的压制函数，Rosenblatt用的Sgn压制函数，LMS不需要压制函数，两者一样是只有单个神经元。

LMS算法信号流图

算法小结：

然后在说下退火：

#pragma once

#include "stdafx.h"

#include <string>

#include <iostream>

using namespace std;

int gnM = 0;      //训练集空间维度

int gnN = 0;      //突触权值个数

double gdU0 = 0.1;  //初始学习率参数，用于退火，前期可以较大

double gdT = 1;  //控制退火用的开始降温的时间点

double gdN = 0;  //当前工作时间（神经网络学习次数）

//退火

//U=U0/(1+(N/T))

double GetNowU() {

gdN++;

//cout<< gdU0 / (1.0 + (gdN / gdT))<<endl;

return gdU0 / (1.0 + (gdN / gdT));

}

void LMSInit(double *dX, const int &nM, double *dW, const int &nN, const double &dB, const double &dU0 ,const double &dT) {

//dX 本次训练数据集

//nM 训练集空间维度

//dW 权值矩阵

//nN 突触权值个数 LMS只有一个神经元，所以nM==nM

//dB 偏置，正常这个是应该 走退火动态调整的，以后再说，现在固定得了。

//dU0 初始学习率参数，用于退火，前期可以较大

//dT控制退火用的开始降温的时间点

if (nM > 0) {

dX[0] = 1;//把偏置永远当成一个固定的突触

}

for (int i = 0; i <= nN; i++) {

if (i == 0) {

dW[i] = dB;//固定偏置

}

else {

dW[i] = 0.0;

}

}

gnM = nM, gnN = nN, gdU0 = dU0, gdT = dT;

}

double Sgn(double dNumber) {

return dNumber > 0 ? +1.0 : -1.0;

}

//感知器收敛算法-学习

void LMSStudy(const double *dX, const double dD, double *dW) {

//dX 本次训练数据集

//dD 本次训练数据集的期望值

//dW 动态参数，突触权值

double dY = 0;

for (int i = 0; i <= gnM && i <= gnN; i++) {

dY = dY + dX[i] * dW[i];

}

//dY = Sgn(dY); LMS这个地方不用了，Rosenblatt是需要的

if (dD == dY) {

return;//不需要进行学习调整突触权值

}

for (int i = 1; i <= gnM && i <= gnN; i++) {

dW[i] = dW[i] + GetNowU() * (dD - dY) * dX[i];

}

}

//感知器收敛算法-泛化

double LMSGeneralization(const double *dX, const double *dW) {

//dX 本次需要泛化的数据集

//dW 已经学习好的突触权值

//返回的是当前需要泛化的数据集的泛化结果(属于那个域的)

double dY = 0;

for (int i = 0; i <= gnM && i <= gnN; i++) {

dY = dY + dX[i] * dW[i];

}

return Sgn(dY);

}

//双月分类模型，随机获取一组值

/*  自己稍微改了下

域1:上半个圆，假设圆心位坐标原点(0,0)

(x - 0) * (x - 0) + (y - 0) * (y - 0) = 10 * 10

x >= -10 && x <= 10

y >= 0 && y <= 10

域2:下半个圆，圆心坐标(10 ,-1)

(x - 10) * (x - 10) + (y + 1) * (y + 1) = 10 * 10;

x >= 0 && x <= 20

y >= -11 && y <= -1

*/

const double gRegionA = 1.0; //双月上

const double gRegionB = -1.0;//双月下

void Bimonthly(double *dX, double *dY, double *dResult) {

//dX      坐标x

//dY      坐标y

//dResult 属于哪个分类

*dResult = rand() % 2 == 0 ? gRegionA : gRegionB;

if (*dResult == gRegionA) {

*dX = rand() % 20 - 10;//在区间内随机一个X

*dY = sqrt(10 * 10 - (*dX) * (*dX));//求出Y

}

else {

*dX = rand() % 20;

*dY = sqrt(10 * 10 - (*dX - 10) * (*dX - 10)) - 1;

*dY = *dY * -1;

}

}

int main()

{

//system("color 0b");

double dX[2 + 1], dD, dW[2 + 1]; //输入空间维度为3 平面坐标系+一个偏置

double dB = 0;

double dU0 = 0.1;

double dT = 128; //128之后开始降温

LMSInit(dX, 2, dW, 2, dB, dU0, dT);//初始化 感知器

double dBimonthlyX, dBimonthlyY, dBimonthlyResult;

int nLearningTimes =  1024 * 10;//进行10K次学习

for (int nLearning = 0; nLearning <= nLearningTimes; nLearning++) {

Bimonthly(&dBimonthlyX, &dBimonthlyY, &dBimonthlyResult);//随机生成双月数据

dX[1] = dBimonthlyX;

dX[2] = dBimonthlyY;

dD = dBimonthlyResult;

LMSStudy(dX, dD, dW);

//cout <<"Study:" << nLearning << " :X= " << dBimonthlyX << "Y= " << dBimonthlyY << " D=" << dBimonthlyResult<< "----W1= " << dW[1] << "  W2= " << dW[2] << endl;

}

//进行LMS泛化能力测试 测试数据量1K

int nGeneralizationTimes = 1 * 1024;

int nGeneralizationYes = 0, nGeneralizationNo = 0;

double dBlattGeneralizationSuccessRate = 0;

for (int nLearning = 1; nLearning <= nGeneralizationTimes; nLearning++) {

Bimonthly(&dBimonthlyX, &dBimonthlyY, &dBimonthlyResult);//随机生成双月数据

dX[1] = dBimonthlyX;

dX[2] = dBimonthlyY;

//cout << "Generalization: " << dBimonthlyX << "," << dBimonthlyY;

if (dBimonthlyResult == LMSGeneralization(dX, dW)) {

nGeneralizationYes++;

//cout << " Yes" << endl;

}

else {

nGeneralizationNo++;

//cout << " No" << endl;

}

}

dBlattGeneralizationSuccessRate = nGeneralizationYes * 1.0 / (nGeneralizationNo + nGeneralizationYes) * 100;

cout << "Study : " << nLearningTimes << "     Generalization : " << nGeneralizationTimes << "     SuccessRate:" << dBlattGeneralizationSuccessRate << "%" << endl;

getchar();

return 0;

}

执行结果：

Study : 10240 Generalization : 1024 SuccessRate:96.6797%

注意：

相对于Rosenblatt算法，LMS如果直接把sgn去掉了可能出现泛化能力急剧下降的问题，我就是，直接变成50%了（和没学习一样），因为此时的学习率参数恒等于0.1有点大（为什么说0.1大，因为没有sgn了，算出的XW是比较大的，而这个时候我们训练数据集的期望结果，还是+1和-1）。同时，退火的那个地方，去动态调整那几个参数，会得到你意想不到的效果，挺微妙的。

巴特西

神经网络与机器学习笔记—LMS（最小均方算法）和学习率退火

最新文章

热门文章

巴特西

神经网络与机器学习 笔记—LMS（最小均方算法）和学习率退火

最新文章

热门文章

神经网络与机器学习笔记—LMS（最小均方算法）和学习率退火