浅谈DNN（深度神经网络）算法原理
深度神经网络（Deep Neural Network, DNN）是一种基于人工神经网络的机器学习模型，它由多个隐藏层组成，能够自动从大量数据中学习复杂的模式和特征。DNN 的基本结构包括输入层、多个隐藏层和输出层。
1.神经元模型
神经元是 DNN 的基本计算单元。对于一个输入向量 ，神经元的输出 可以通过以下公式计算：
其中， 是输入 对应的权重， 是偏置， 是激活函数。激活函数的作用是引入非线性因素，使得 DNN 能够学习到复杂的非线性关系。
2.前向传播
前向传播是指输入数据从输入层经过多个隐藏层，最终传递到输出层的过程。在每一层中，神经元根据上述公式计算输出，并将输出作为下一层的输入。假设第 层有 个神经元，第 层有 个神经元，那么第 层第 个神经元的输入 和输出 可以表示为：
其中， 是第 层第 个神经元到第 层第 个神经元的权重， 是第 层第 个神经元的偏置。
3. 损失函数
损失函数用于衡量模型的预测输出与真实标签之间的差异。常见的损失函数包括均方误差（Mean Squared Error, MSE）、交叉熵损失（Cross Entropy Loss）等。以均方误差为例，对于一个样本 ，模型的预测输出为 ，则损失函数 可以表示为：
4. 反向传播
反向传播是一种用于计算损失函数关于模型参数（权重和偏置）的梯度的算法。通过链式法则，从输出层开始，逐层计算梯度，并根据梯度更新模型参数。参数更新的公式通常采用梯度下降法：
其中， 是学习率，控制参数更新的步长。
接下来，我们来用 Python 和 PyTorch 库实现简单 DNN 的示例，用于解决手写数字识别问题（MNIST 数据集）。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 定义超参数
batch_size = 64
learning_rate = 0.001
epochs = 5
# 数据预处理
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
# 加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True,
download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False,
download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
# 定义DNN模型
class DNN(nn.Module):
def __init__(self):
super(DNN, self).__init__()
self.fc1 = nn.Linear(28 * 28, 128)
self.fc2 = nn.Linear(128, 64)
self.fc3 = nn.Linear(64, 10)
self.relu = nn.ReLU()
def forward(self, x):
x = x.view(-1, 28 * 28)
x = self.relu(self.fc1(x))
x = self.relu(self.fc2(x))
x = self.fc3(x)
return x
model = DNN()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
# 训练模型
for epoch in range(epochs):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
optimizer.zero_grad()
output = model(data)
loss = criterion(output, target)
loss.backward()
optimizer.step()
if batch_idx % 100 == 0:
print(f'Train Epoch: {epoch} [{batch_idx * len(data)}/{len(train_loader.dataset)} '
f'({100. * batch_idx / len(train_loader):.0f}%)]\tLoss: {loss.item():.6f}')
# 测试模型
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
output = model(data)
test_loss += criterion(output, target).item()
pred = output.argmax(dim=1, keepdim=True)
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print(f'\nTest set: Average loss: {test_loss:.4f}, Accuracy: {correct}/{len(test_loader.dataset)} '
f'({100. * correct / len(test_loader.dataset):.0f}%)\n')
代码解释
-
数据预处理：使用
transforms对 MNIST 数据集进行预处理，包括将图像转换为张量和归一化。 - 模型定义：定义一个包含三个全连接层的 DNN 模型，使用 ReLU 作为激活函数。
- 损失函数和优化器：使用交叉熵损失函数和 Adam 优化器。
- 训练模型：通过前向传播计算损失，然后使用反向传播更新模型参数。
- 测试模型：在测试集上评估模型的性能，计算平均损失和准确率。