独家连载 | 单层感知器与线性神经网络（续）！

本文主要是介绍独家连载 | 单层感知器与线性神经网络（续）！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言：让我们基于上次没有讲完的单层感知器与线性神经网络继续。

3.2.6学习率

学习率是人为设定的一个值，主要是在训练阶段用来控制模型参数调整的快慢。关于学习率主要有3个要点需要注意：
1.η取值一般取0-1之间；
2.太大容易造成权值调整不稳定；
3.学习率太小，模型参数调整太慢，迭代次数太多。

你可以想象一下在洗热水澡的时候：如果每次调节的幅度很大，那水温要不就是太热，要不就是太冷，很难得到一个合适的水温；如果一开始的时候水很冷，每次调节的幅度都非常小，那么需要调节很多次，花很长时间才能得到一个合适的水温。学习率的调整也是这样一个道理。

图3.5表示不同大小的学习率对模型训练的影响：

图中的纵坐标loss代表代价函数，在后面的章节中有更详细的介绍，这里我们可以把它近似理解为模型的预测值与真实值之间的误差，我们训练模型的主要目的就是为了降低loss值，减少模型预测值与真实值之间的误差。横坐标Epoch代表模型的迭代周期，把所有训练数据都训练一遍可以称为迭代了一个周期。

从图中我们可以看到，如果使用非常大的学习率来训练模型，loss会一直处于一个比较大的位置，模型不能收敛，这肯定不是我们想要的结果。如果使用比较大的学习率来训练模型，loss会下降很快，但是最后loss最终不能得到比较比较小的值，所以结果也不理想。如果使用比较小的学习率来训练模型，模型收敛的速度会很慢，需要等待很长时间模型才能收敛。最理想的结果是使用合适的学习率来训练模型，使用合适的学习率，模型的loss值下降得比较快，并且最后的loss也能够下降到一个比较小的位置，结果最理想。

看到这里大家可能会有一个疑问，学习率的值到底取多少比较合适？这个问题其实是没有明确答案的，需要根据建模的经验以及测试才能找到合适的学习率。不过学习率的选择也有一些小的trick可以使用，比如说最开始我们设置一个学习率为0.01，经过测试我们发现学习率太小了需要调大一点，那么我们可以改成0.03。如果0.03还需要调大，我们可以调到0.1。同理，如果0.01太大了，需要调小，那么我们可以调到0.003。如果0.003还需要调小，我们可以调到0.001。所以常用的学习率可以选择：

1，0.3，0.1，0.03，0.01，0.003，0.001，0.0003，0.0001 …

当然这也不是绝对的，其他的学习率的取值你也可以去尝试。

####3.2.7模型的收敛条件

通常模型的收敛条件可以有以下3个：

1. loss小于某个预先设定的较小的值；

2. 两次迭代之间权值的变化已经很小了；

3. 设定最大迭代次数，当迭代超过最大次数就停止。

第一种很容易理解，模型的训练目的就是为了减少loss值，那么我们可以设定一个比较小的数值，每一次训练的时候我们都同时计算一下loss值的大小，当loss值小于某个预先设定的阈值，就可以认为模型收敛了。那么就可以结束训练。

第二种的意思是，每一次训练我们可以记录模型权值的变化，如果我们发现两次迭代之间模型的权值变化已经很小，那么说明模型已经几乎不需要做权值地调整了，那么就可以认为模型收敛，可以结束训练。

第三种是用得最多的方式。我们可以预先设定一个比较大的模型迭代周期，比如迭代100次，或者10000次，或者1000000次等（需要根据实际情况来选择）。模型完成规定次数的训练之后我们就可以认为模型训练完毕。

####3.2.8超参数(hyperparameters)和参数(parameters)的区别

超参数是机器学习或者深度学习中经常用到的一个概念，我们可以认为是根据经验来人为设置的一些模型的参数。比如说前面提到的学习率，学习率需要根据经验来人为设置。比如模型的迭代次数，也是需要在模型训练之前预先进行人为设置。

而前面提到的权值和偏置值则是参数，一般我们会给权值和偏置值进行随机初始化赋值。模型在训练过程中根据训练数量会不断调节这些参数，进行自动学习。

####3.2.9单层感知器分类案例

题目：假设我们有4个数据2维的数据，数据的特征分别是(3,3),(4,3),(1,1),(2,1)。(3,3),(4,3)这两个数据的标签为1，(1,1),(2,1)这两个数据的标签为-1。构建神经网络来进行分类。

思路：我们要分类的数据是2维数据，所以只需要2个输入节点，我们可以把神经元的偏置值也设置成一个输入节点，使用3.2.3中的方式。这样我们需要3个输入节点。

输入数据有4个(1,3,3),(1,4,3),(1,1,1),(1,2,1)

数据对应的标签为(1,1,-1,-1)

初始化权值w1,w2,w3取0到1的随机数

学习率lr(learning rate)设置为0.1

激活函数为sign函数

我们可以构建一个单层感知器如图3.6所示：

代码3-3：单层感知器案例

import numpy as np
import matplotlib.pyplot as plt
# 定义输入，我们习惯上用一行代表一个数据
X = np.array([[1,3,3],[1,4,3], [1,1,1],[1,2,1]]
# 定义标签，我们习惯上用一行表示一个数据的标签
T = np.array([[1],[1],[-1],[-1]])
# 权值初始化，3行1列
# np.random.random可以生成0-1的随机数
W = np.random.random([3,1])
# 学习率设置
lr = 0.1
# 神经网络输出
Y = 0
# 更新一次权值
def train():# 使用全局变量X,Y,W,lrglobal X,Y,W,lr# 同时计算4个数据的预测值# Y的形状为(4,1)-4行1列Y = np.sign(np.dot(X,W))# T - Y得到4个的标签值与预测值的误差E。形状为(4,1)E = T - Y# X.T表示X的装置矩阵，形状为(3,4)# 我们一共有4个数据，每个数据3个值。定义第i个数据的第j个特征值为xij# 如第1个数据，第2个值为x12# X.T.dot(T - Y)为一个3行1列的数据：# 第1行等于：x00×e0+x10×e1+x20×e2+x30×e3，它会调整第1个神经元对应的权值# 第2行等于：x01×e0+x11×e1+x21×e2+x31×e3，它会调整第2个神经元对应的权值# 第3行等于：x02×e0+x12×e1+x22×e2+x32×e3，它会影调整3个神经元对应的权值# X.shape表示X的形状X.shape[0]得到X的行数，表示有多少个数据# X.shape[1]得到列数，表示每个数据有多少个特征值。# 除以X.shape[0]相当于是求所有样本权值调整的累加结果的平均值delta_W = lr  (X.T.dot(E)) / X.shape[0]W = W + delta_W
# 训练100次
for i in range(100):# 更新一次权值train()# 打印当前训练次数print('epoch:',i + 1)# 打印当前权值print('weights:',W)# 计算当前输出Y = np.sign(np.dot(X,W))# .all()表示Y中的所有值跟T中所有值都对应相等，结果才为真if(Y == T).all():print('Finished')# 跳出循环break
#————————以下为画图部分————————#
# 正样本的xy坐标
x1 = [3,4]
y1 = [3,3]
# 负样本的xy坐标
x2 = [1,2]
y2 = [1,1]
# 计算分界线的斜率以及截距
# 因为正负样本的分界是0，所以分界线的表达式可以写成：
# w0 × x0 + w1 × x1 + w2 × x2 = 0
# 其中x0为1，我们可以把x1，x2分别看成是平面坐标系中的x和y
# 可以得到：w0 + w1×x + w2 × y = 0
# 从而推导出：y = -w0/w2 - w1×x/w2，因此可以得到
k = -W[1]/W[2]
d = -W[0]/W[2]
# 设定两个点
xdata = (0,5)
# 通过两个点来确定一条直线，用红色的线来画出分界线
plt.plot(xdata,xdata k+d,'r')
# 用蓝色的点画出正样本
plt.scatter(x1,y1,c='b')
# 用黄色的点来画出负样本
plt.scatter(x2,y2,c='y')
# 显示图案
plt.show()

程序的输出结果为：

epoch: 1
weights: [[-0.06390143][ 0.58589308][ 0.25649672]]
epoch: 2
weights: [[-0.16390143][ 0.43589308][ 0.15649672]]
epoch: 3
weights: [[-0.26390143][ 0.28589308][ 0.05649672]]
epoch: 4
weights: [[-0.36390143][ 0.13589308][-0.04350328]]
epoch: 5
weights: [[-0.31390143][ 0.28589308][ 0.10649672]]
epoch: 6
weights: [[-0.41390143][ 0.13589308][ 0.00649672]]
Finished

因为权值的初始化使用的是随机的初始化方式，所以每一次训练的周期以及画出来的图可能都是不一样的。这里我们可以看到单层感知器的一个问题，虽然单层感知器可以顺利地完成分类任务，但是使用单层感知器来做分类的时候，最后得到的分类边界距离蓝色的边界点比较近，而距离黄色的边界点比较远，并不是一个特别理想的分类效果。

图3.7中的分类效果应该才是比较理想的分类效果，分界线距离黄色和蓝色两个类别边界点的距离是差不多的。

作者介绍

这篇关于独家连载 | 单层感知器与线性神经网络（续）！的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---