-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathnet.py
166 lines (148 loc) · 6 KB
/
net.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 1. neural network (초기 가중치는 랜덤으로 적절히 조절)
import sys
import collections
import numpy as np
# def sigmoid(x): # sigmoid(시그모이드) 함수 : 은닉층에서 사용하는 활성화 함수
# return 1 / (1 + np.exp(-x))
def softmax(a): # softmax(소프트맥스) 함수 : 출력층에서 사용하는 활성화 함수
c = np.max(a)
exp_a = np.exp(a - c)
return exp_a / np.sum(exp_a)
def cross_entropy_error(y, t): # 교차 엔트로피 오차 함수 : 손실 함수로 사용
# 배치 데이터 처리를 하게 될 수도 있으므로 모두를 처리할 수 있도록 구현된 코드를 사용
if y.ndim == 1:
t = t.reshape(1, t.size)
y = y.reshape(1, y.size)
batch_size = y.shape[0]
return -np.sum(np.log(y[np.arange(batch_size), t.astype('int64')])) / batch_size
'''
>>> t = [0, 0, 1]
>>> y = [0.5, 0.5]
>>> cross_entropy_error(np.array(y), np.array(t))
2.0794415416798357
'''
# 위와 같이 테스트한 결과 정상적으로 작동함
class Relu:
def __init__(self):
self.mask = None
def forward(self, x):
self.mask = (x <= 0)
out = x.copy()
out[self.mask] = 0
return out
def backward(self, dout):
dout[self.mask] = 0
dx = dout
return dx
class Affine:
def __init__(self, W, b):
self.W = W
self.b = b
self.x = None
self.original_x_shape = None
# 가중치와 편향 매개변수의 미분
self.dW = None
self.db = None
def forward(self, x):
# 텐서 대응
self.original_x_shape = x.shape
x = x.reshape(x.shape[0], -1)
self.x = x
out = np.dot(self.x, self.W) + self.b
return out
def backward(self, dout):
dx = np.dot(dout, self.W.T)
self.dW = np.dot(self.x.T, dout)
self.db = np.sum(dout, axis=0)
dx = dx.reshape(*self.original_x_shape) # 입력 데이터 모양 변경(텐서 대응)
return dx
class SoftmaxWithLoss:
def __init__(self):
self.loss = None # 손실함수
self.y = None # softmax의 출력
self.t = None # 정답 레이블(원-핫 인코딩 형태)
def forward(self, x, t):
self.t = t
self.y = softmax(x)
self.loss = cross_entropy_error(self.y, self.t)
return self.loss
def backward(self, dout=1):
batch_size = self.t.shape[0]
if self.t.size == self.y.size: # 정답 레이블이 원-핫 인코딩 형태일 때
dx = (self.y - self.t) / batch_size
else:
dx = self.y.copy()
dx[np.arange(batch_size), self.t] -= 1
dx = dx / batch_size
return dx
class Network:
# input_size : 입력층의 뉴런 수 (제 1층)
# hidden_size : 은닉층의 뉴런 수
# hidden_size[0] : 첫 번째 은닉층의 뉴런 수 (제 2층)
# hidden_size[1] : 두 번째 은닉층의 뉴런 수 (제 3층)
# hidden_size[2] : 두 번째 은닉층의 뉴런 수 (제 4층)
# output_size : 출력층의 뉴런 수
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[0])
self.params['b1'] = np.zeros(hidden_size[0])
self.params['w2'] = weight_init_std * np.random.randn(hidden_size[0], hidden_size[1])
self.params['b2'] = np.zeros(hidden_size[1])
self.params['w3'] = weight_init_std * np.random.randn(hidden_size[1], hidden_size[2])
self.params['b3'] = np.zeros(hidden_size[2])
self.params['w4'] = weight_init_std * np.random.randn(hidden_size[2], output_size)
self.params['b4'] = np.zeros(output_size)
# 계층 생성
self.layers = collections.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.layers['Relu2'] = Relu()
self.layers['Affine3'] = Affine(self.params['w3'], self.params['b3'])
self.layers['Relu3'] = Relu()
self.layers['Affine4'] = Affine(self.params['w4'], self.params['b4'])
self.lastLayer = SoftmaxWithLoss()
def predict(self, x):
for layer in self.layers.values():
x = layer.forward(x)
return x
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):
# forward
self.loss(x, t)
# backward
dout = 1
dout = self.lastLayer.backward(dout)
layers = list(self.layers.values())
layers.reverse()
for layer in layers:
dout = layer.backward(dout)
# 결과 저장
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
grads['w3'], grads['b3'] = self.layers['Affine3'].dW, self.layers['Affine3'].db
grads['w4'], grads['b4'] = self.layers['Affine4'].dW, self.layers['Affine4'].db
return grads
# if __name__ == '__main__':
# net = Network(26, [50, 200, 800], 676)
# print('w1 shape : ' + str(net.params['w1'].shape))
# print('L b1 shape : ' + str(net.params['b1'].shape))
# print('w2 shape : ' + str(net.params['w2'].shape))
# print('L b2 shape : ' + str(net.params['b2'].shape))
# print('w3 shape : ' + str(net.params['w3'].shape))
# print('L b3 shape : ' + str(net.params['b3'].shape))
# print('w4 shape : ' + str(net.params['w4'].shape))
# print('L b4 shape : ' + str(net.params['b4'].shape))