DL之DNN：自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、预测

DL之DNN：自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、预测

导读
          计算图在神经网络算法中的作用。计算图的节点是由局部计算构成的。局部计算构成全局计算。计算图的正向传播进行一般的计算。通过计算图的反向传播，可以计算各个节点的导数。

目录

输出结果

设计思路

核心代码

输出结果

设计思路

核心代码

      class TwoLayerNet:
      def __init__(self, input_size, hidden_size, output_size, weight_init_std = 0.01):
       self.params = {}
       self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
       self.params['b1'] = np.zeros(hidden_size)
       self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
       self.params['b2'] = np.zeros(output_size)
       self.layers = OrderedDict()
       self.layers['Affine1'] = Affine(self.params['W1'], self.params['b1'])
       self.layers['Relu1'] = Relu()
       self.layers['Affine2'] = Affine(self.params['W2'], self.params['b2'])
       self.lastLayer = SoftmaxWithLoss()
      def predict(self, x):
      for layer in self.layers.values():
       x = layer.forward(x)
      return x
      # x:输入数据, t:监督数据
      def loss(self, x, t):
       y = self.predict(x)
      return self.lastLayer.forward(y, t)
      def accuracy(self, x, t):
       y = self.predict(x)
       y = np.argmax(y, axis=1)
      if t.ndim != 1 : t = np.argmax(t, axis=1)
       accuracy = np.sum(y == t) / float(x.shape[0])
      return accuracy
      def gradient(self, x, t):
       self.loss(x, t)
       dout = 1
       dout = self.lastLayer.backward(dout)
       layers = list(self.layers.values())
       layers.reverse()
      for layer in layers:
       dout = layer.backward(dout)
       grads = {}
       grads['W1'], grads['b1'] = self.layers['Affine1'].dW, self.layers['Affine1'].db
       grads['W2'], grads['b2'] = self.layers['Affine2'].dW, self.layers['Affine2'].db
      return grads
  
 

相关文章
DL之DNN：自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、预测

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/88959569