def activation_Exp(x): return 1.0*(tf.math.exp(x) -1.0) def activation_ln(x): return -1.0*tf.math.log(1.0 - (x))
时间: 2024-04-29 18:19:35 浏览: 20
这段代码定义了两个激活函数,分别为 `activation_Exp` 和 `activation_ln`。
其中,`activation_Exp` 函数采用了指数函数的形式,对输入 $x$ 进行变换,使其输出在 $[0, +\infty)$ 的范围内,公式为:
$$
f(x) = e^x - 1
$$
`activation_ln` 函数则采用了对数函数的形式,对输入 $x$ 进行变换,使其输出在 $(-\infty, 0]$ 的范围内,公式为:
$$
f(x) = -\ln(1-x)
$$
这两个激活函数的作用是将输入的数据进行非线性转换,增加模型的表达能力,能够更好地拟合复杂的数据分布。
相关问题
import numpy import scipy.special class NeuralNetwork(): def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate): self.inodes=inputnodes self.hnodes=hiddennodes self.onodes=outputnodes self.lr=learningrate self.wih=numpy.random.normal(0.0,pow(self.hnodes,-0.5),(self.hnodes,self.inodes)) self.who=numpy.random.normal(0.0,pow(self.onodes,-0.5),(self.onodes,self.hnodes)) self.activation_function=lambda x:scipy.special.expit(x) pass def train(self,input_list,target_list): inputs=numpy.array(input_list,ndmin=2).T targets=numpy.array(target_list,ndmin=2).T hidden_inputs=numpy.dot(self.wih,inputs) hidden_outputs=self.activation_function(hidden_inputs) final_inputs=numpy.dot(self.who,hidden_outputs) final_outputs=self.activation_function(final_inputs) output_errors=targets-final_outputs hidden_errors=numpy.dot(self.who.T,output_errors) self.who+=self.lr*numpy.dot((output_errors*final_outputs*(1.0-final_outputs)),numpy.transpose(hidden_outputs)) self.wih+=self.lr*numpy.dot((hidden_errors*hidden_outputs*(1.0-hidden_outputs)),numpy.transpose(inputs)) pass def query(self,input_list): inputs=numpy.array(input_list,ndmin=2).T hidden_inputs=numpy.dot(self.wih,inputs) hidden_outputs=self.activation_function(hidden_inputs) final_inputs=numpy.dot(self.who,hidden_outputs) final_outputs=self.activation_function(final_inputs) return final_outputs print('n')写一下注释
以下是对代码的注释:
```python
import numpy
import scipy.special
class NeuralNetwork():
def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
# 初始化神经网络的输入层、隐藏层、输出层的节点数以及学习率
self.inodes = inputnodes
self.hnodes = hiddennodes
self.onodes = outputnodes
self.lr = learningrate
# 初始化输入层到隐藏层和隐藏层到输出层的权重
# 对权重进行随机初始化,取值范围为均值为0,标准差为节点数的负平方根
self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
# 定义激活函数为 sigmoid 函数
self.activation_function = lambda x: scipy.special.expit(x)
def train(self,input_list,target_list):
# 将输入列表和目标列表转换为二维数组
inputs = numpy.array(input_list, ndmin=2).T
targets = numpy.array(target_list, ndmin=2).T
# 计算隐藏层的输入和输出
hidden_inputs = numpy.dot(self.wih, inputs)
hidden_outputs = self.activation_function(hidden_inputs)
# 计算输出层的输入和输出
final_inputs = numpy.dot(self.who, hidden_outputs)
final_outputs = self.activation_function(final_inputs)
# 计算输出层误差和隐藏层误差
output_errors = targets - final_outputs
hidden_errors = numpy.dot(self.who.T, output_errors)
# 更新隐藏层到输出层和输入层到隐藏层的权重
self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)), numpy.transpose(hidden_outputs))
self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), numpy.transpose(inputs))
def query(self,input_list):
# 将输入列表转换为二维数组
inputs = numpy.array(input_list, ndmin=2).T
# 计算隐藏层的输入和输出
hidden_inputs = numpy.dot(self.wih, inputs)
hidden_outputs = self.activation_function(hidden_inputs)
# 计算输出层的输入和输出
final_inputs = numpy.dot(self.who, hidden_outputs)
final_outputs = self.activation_function(final_inputs)
# 返回最终输出
return final_outputs
# 创建神经网络实例
input_nodes = 3
hidden_nodes = 3
output_nodes = 3
learning_rate = 0.3
n = NeuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate)
# 使用训练数据进行训练
training_data = [[0.1, 0.2, 0.3], [0.4, 0.5, 0.6], [0.7, 0.8, 0.9]]
for data in training_data:
n.train(data, data)
# 使用测试数据进行测试
test_data = [0.2, 0.5, 0.8]
print(n.query(test_data))
```
这个神经网络实现了一个简单的自编码器,训练数据和测试数据都是由一些简单的数字组成。
class MyDense(keras.layers.Layer): def __init__(self, units, activation=None, **kwargs): super().__init__(**kwargs) self.units = units self.activation = keras.activations.get(activation) def build(self, batch_input_shape): self.kernel = self.add_weight( name="kernel", shape=[batch_input_shape[-1], self.units], initializer="glorot_normal") self.bias = self.add_weight( name="bias", shape=[self.units], initializer="zeros") super().build(batch_input_shape) # must be at the end def call(self, X): return self.activation(X @ self.kernel + self.bias) def compute_output_shape(self, batch_input_shape): return tf.TensorShape(batch_input_shape.as_list()[:-1] + [self.units]) def get_config(self): base_config = super().get_config() return {**base_config, "units": self.units, "activation": keras.activations.serialize(self.activation)}
这段代码定义了一个自定义的Keras层,名为MyDense。该层继承了Keras的Layer类,重写了__init__、build、call等方法。
在__init__方法中,定义了该层的参数units(输出维度)和激活函数activation,同时调用了父类的__init__方法。
在build方法中,定义了该层的权重kernel和偏置bias,权重的初始化方式为glorot_normal,偏置的初始化方式为zeros。同时调用了父类的build方法。
在call方法中,实现了该层的前向传播,即输入X与权重kernel相乘并加上偏置bias,再通过激活函数activation进行激活得到输出。
在compute_output_shape方法中,返回该层的输出shape。
在get_config方法中,返回该层的配置信息,包括units和activation等参数。
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)