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 * 10x >= -10 && x <= 10y >= 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 <= 20y >= -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1Kint 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。

《新程序员》：云原生和全面数字化实践50位技术专家共同创作，文字、视频、音频交互阅读

总结

以上是生活随笔为你收集整理的神经网络与机器学习 笔记—LMS（最小均方算法）和学习率退火的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。