主要內容有：
- 單層感知器的迭代學習演算法(包含程式碼)
- 兩層感知器解決異或問題
- 解釋兩層感知器分類能力有限的問題
- 解釋為什麼三層感知器能夠解決任意區域組合的分類問題
訪問我的部落格符說八道(三層感知器能夠解決任意區域組合的分類問題) 有更好的展示效果。
最近在準備模式識別考試,關於三層感知器能夠解決任意區域組合的分類問題解釋甚是有趣,這兩天考完試了在此對這些內容做個總結。
單層感知器的迭代演算法
感知器演算法屬於線性分類器,單層感知器在給定資料線性可分的情況下,可以經過有限次迭代使得演算法收斂
我曾經寫過關於感知器迭代計算學習的程式碼,是找到一個平面,將三維空間的兩類線性可分的點分隔開來。
感知器演算法的更新過程(2類問題)如下:
N個屬於\(w_1 ,\ w_2\)類的模式樣本構成訓練樣本集\(\{X_{1},X_{2},....X_{N}\}\)
- 將原始資料寫成增廣向量形式,並規範化
構成增廣向量形式是指新增一個維度為1的向量,如三維的樣本的話，我們將會這樣設定:
\(X = [x_{1},x_{2},x_{3},1]^{T}\)
寫成增廣向量形式是為了讓我們的運算能夠執行矩陣乘法,便於程式設計實現。
規範化是指將\(w_2\)類樣本\(\times \ -1\)
接下來任取權向量初始值\(W(1)\),開始迭代
2.用全部訓練樣本進行一輪迭代，計算\(W^T (k)X_i\)的值，並修正權向量。
分兩種情況，更新權向量的值：
-
若 \(W^T (k) X_i \leq 0\)
表明分類器對第i個模式做了錯誤分類，我們將進行校正，權向量校正為：
\(W(k+1)=W(k)+cX_i \ , \quad c>0\) -
若 \(W^T (k) X_i > 0\)
表明分類正確，權向量不變。
\(W(k+1)=W(k)\)
因此我們可以將權向量的更新規則統一寫為:
\(W(k+1) = \left\{\begin{matrix} W(k) \quad if \ W^{T}(k)X_i > 0 \\ W(k) + cX_i \quad if \ W^{T}(k)X_i \leq 0 \end{matrix}\right.\)
3.分析分類結果：只要有一個錯誤分類,回到2,直至對所有樣本正確分類。
感知器演算法可以證明是收斂的(線上性可分的前提下)，經過演算法的有限次迭代運算後，求出了一個使所有樣本都能正確分類的\(W\) 。
關於為什麼是用\(W(k+1)=W(k)+cX_i \ , \quad c>0\)這個公式更新,實際上這可以從梯度下降法推匯出來:
當我們的準則函式為:
\(J(W，X)=1/2 (|W^T X|-W^T X)\)
使用梯度下降更新權值:
\(W(k+1)=W(k)-c∇J=W(k)-c[\frac{∂J(W，X)}{∂W}]_{(W=W(k))}\)
就可以解得
\(W(k+1) = \left\{\begin{matrix}
W(k) \quad if \ W^{T}(k)X_i > 0
\\
W(k) + cX_i \quad if \ W^{T}(k)X_i \leq 0
\end{matrix}\right.\)
下面是老師上課佈置的程式設計練習:
編寫感知器演算法程式，求下列模式分類的解向量：
\(ω_1: \{(0,0,0)^T ,(1,0,0)^T,(1,0,1)^T,(1,1,0)^T\}\)
\(ω2: \{(0,0,1)^T,(0,1,1)^T,(0,1,0)^T,(1,1,1)^T\}\)
\(w(1)=(-1,-2,-2,0)^T\)
使用上面的流程並用\(c=1\)求得的解向量:
\(W=(3,-2,-3,1)\)
下面是我畫出的決策平面(具體程式碼在本文最後)
實際上,感知器就是這樣的單元:
典型的f為硬限幅函式(hard limiter)
下面討論的f都為階躍函式
也就是 輸入大於0時f為1,輸入小於0時f為0
兩層感知器解決異或問題
感知器演算法可以解決and or這種線性可分的問題,但是對於異或問題,就無力了,而兩層感知器就可以做到:
如下圖所示,xor線性不可分
那麼兩層感知器是如何解決異或線性不可分的問題呢?
它首先通過兩條直線,先用g1直線將(0,0)點與其他三個點(0,1),(1,0),(1,1)分開,再用g2直線將(1,1)與(0,0),(0,1),(1,0)分開
就像下圖所示:
通過兩條直線的劃分(在直線下方為0,在直線上方為1),我們將四個點輸入,可以得到下面的資料:
| x | g1 | g2 | y |
|---|---|---|---|
| 0 0 | 0 | 0 | 0 |
| 0 1 | 1 | 0 | 1 |
| 1 0 | 1 | 0 | 1 |
| 1 1 | 1 | 1 | 0 |
當我們得到g1,g2時,我們就將(0,0)對映到了(0,0),將(0,1)和(1,0)對映到了(1,0),(1,1)對映到了(1,1)
如下圖所示,我們再用圖裡的直線即可分開:
所以,兩層感知器的結構為:
隱層的結點第一個結果為通過g1對映得到,第二個為通過g2得到
為什麼兩層感知器的分類能力有限?
由上圖,我們假設區域中的點,如
(000,001,011)這三個區域
我們可以先將區域中的點,通過y1,y2,y3三條直線對映到
000,001,....111(沒有101),總共7個區域,前面我們是通過g1,g2對映到了平面上面的點,現在我們變成了三維,因此對映到了正方體的頂點,如果我們想將(000,001,011)這三個點與其餘四個點分開的話,我們可以畫出正方體,並且標出點,如下圖所示:
我們很容易找到一個平面將他分開,因此只需要兩層感知器就可以實現分類
從y1 y2 y3到z需要讓決策面為 z: y1 + y2 - y3 -1/2即可
| x | y1 | y2 | y3 | z |
|---|---|---|---|---|
| x1,x2 | 0 | 0 | 0 | 0 |
| x1,x2 | 0 | 0 | 1 | 0 |
| x1,x2 | 0 | 1 | 0 | 1 |
| x1,x2 | 0 | 1 | 1 | 0 |
| x1,x2 | 1 | 0 | 0 | 1 |
| x1,x2 | 1 | 1 | 0 | 1 |
| x1,x2 | 1 | 1 | 1 | 1 |
網路結構如下圖所示:
如果我們想將(000,111,110)中區域的點與其他區域分開,我們會怎麼辦呢?
區域圖如下:
我們也會先將點對映到正方體的三個頂點,然後我們畫出000,111,110三個點,我們會發現,我們沒有辦法用一個平面將000,111,110三個點與其他區域分開,我們需要兩個平面才能解決這個問題,因為我們需要新增一層隱藏層,因為我們遇到了線性不可分問題
所以,兩層感知器的分類能力是有限的
下面我將討論如何使用三層感知器來實現(000,111,110)中區域的點與其他區域分開
為什麼三層感知器能夠解決任意區域組合的分類問題?
與xor問題一樣,我們會將
- 000 與其餘6個區域分開
- 111 與其餘6個區域分開
- 110 與其餘6個區域分開
這樣我們就會得到z1,z2,z3,再將z1,z2,z3輸入感知器,我們只要將000與其他(100,010,001)分開即可 z: z1 + z2 + z3 -1/2
| x | y1 | y2 | y3 | z1 | z2 | z3 | z |
|---|---|---|---|---|---|---|---|
| x1,x2 | 0 | 0 | 0 | 1 | 0 | 0 | 1 |
| x1,x2 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| x1,x2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| x1,x2 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
| x1,x2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| x1,x2 | 1 | 1 | 0 | 0 | 1 | 0 | 1 |
| x1,x2 | 1 | 1 | 1 | 0 | 0 | 1 | 1 |
實際上,中間的z1,z2,z3的尋找,如果要某個為1,其他都為0,只需要用t1 + t2 + t3 - bias = 0來求得,具體得,如果要010輸出為1,我們只需要讓t2為1,t1和t3為-1,再調整bias即可
那麼我們就會得到這樣的網路結構:
這樣,就可以將(000,111,110)中區域的點與其他區域分開
這可能就是下面這張圖的直觀理解了:
感知器迭代計算程式碼
具體執行迭代計算的程式碼量很小,大部分的程式碼都是在畫出三維的平面圖
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
def main():
path = 'data.txt'
data = pd.read_csv(path, header=None, names=['x', 'y','z']) #讀入資料
X = np.array(data.iloc[:,:])
X = np.column_stack((X, np.ones((len(X),1)))) # 構成增廣向量
X[4:,:] = - X[4:,:] # 規範化
#初始化引數
c = 1
w = np.array([-1,-2,-2,0])
flag = True
cnt = 0
while flag:
cnt += 1
flag = False
for x in X:
if w @ x <= 0:
w = w + c*x # 更新權向量
flag = True
print("after {} iterations:c = {}, w={}".format(cnt,c,w))
fig = plt.figure(figsize=(12, 8))
ax = fig.gca(fc='whitesmoke',
projection='3d'
)
x1 = np.linspace(0, 2, 9)
x2 = np.linspace(0, 2, 9)
x1,x2 = np.meshgrid(x1, x2)
x3 = (-w[3] - w[0]*x1 -w[1]*x2)/w[2]
ax.plot_surface(X=x1,
Y=x2,
Z=x3,
color='b',
alpha=0.2
)
half = int(len(X)/2)
X[4:,:] = - X[4:,:]
x = X[:half, 0]
y = X[:half, 1]
z = X[:half, 2]
ax.scatter(x, y, z,c='y',marker='o',label='class 1')
x2 = X[half:, 0]
y2 = X[half:, 1]
z2 = X[half:, 2]
ax.scatter(x2, y2, z2,c='r',marker='x',label = 'class 2')
ax.legend()
for i_x, i_y,i_z in zip(X[:,0],X[:,1],X[:,2]):
ax.text(i_x, i_y,i_z, '({}, {},{})'.format(int(i_x), int(i_y),int(i_z)))
ax.set(xlabel='X',
ylabel='Y',
zlabel='Z',
xlim=(0, 2),
ylim=(0, 2),
zlim=(0, 2),
xticks=np.arange(0, 2, 1),
yticks=np.arange(0, 2, 1),
zticks=np.arange(0, 2, 1)
)
plt.show()
main()