ニューラルネットワークのフォワードプロパゲーションやバックプロパゲーションで、行列の積を利用すると、計算をシンプルにできる。
今回は、ニューラルネットワークで行列の積を利用してみたので、そのサンプルプログラムを共有する。
前提条件
以下の記事の実装が完了していること。
ニューラルネットワークのバックプロパゲーションを実装してみた 以下の記事で、バックプロパゲーション（最急降下法を用いて、ニューラルネットワークの誤差を効率的に逆伝播させる手法）により、重み\(\...
今回実装するニューラルネットワークの全体構成は、以下のようになる。
また、重み\(\boldsymbol w\)の最適解は、下図における誤差関数\(E=(x_3 – y)^2\)が最小となる箇所で、これは誤差関数を（桃枠の）各変数について偏微分した結果が\(0\)になる値となる。
削除または保存していないWordドキュメントの復元方法【4DDiG Windowsデータ復元】ワード(Word)データ等のファイルを誤って削除してしまった場合は、通常はデータの復元ができませんが、4DDiGというソフトウェアを利用...
このうち、単一ニューロンを実装した内容は以下の通りで、前提条件の記事のフォワードプロパゲーションを行うメソッド(forward)で、行列の積を利用している。
import numpy as np
# 単一ニューロン
class OrigNeuron:
# クラス変数
eta = 0.1 # 学習率η
# 変数の初期化
def __init__(self):
# 入力データ(変数x）
self.x = np.array([])
# 入力データ(重みw）
self.w = np.array([])
# 出力データ(シグモイド関数の変換前)
self.u = 0
# 出力データ
self.y = 0
# 入力データ(変数x、重みw：いずれもNumpy配列)の設定
def set_input_data(self, x, w):
if self.__input_check(x, 3) and self.__input_check(w, 3):
self.x = x
self.w = w
else:
print("OrigNeuron set_input_data : 引数の指定方法が誤っています")
# フォワードプロパゲーションで出力変数を設定
def forward(self):
if self.__input_check(self.x, 3) and self.__input_check(self.w, 3):
self.u = np.dot(self.x, self.w)
self.y = self.__sigmoid(self.u)
# バックプロパゲーションで入力データ(重みw）を変更
def back(self, dw):
if self.__input_check(dw, 3):
# 引数の偏微分を利用して、最急降下法により、重みwの値を更新する
self.w = self.w - OrigNeuron.eta * dw
# 出力データyを返却
def get_y(self):
return self.y
# 重みwを返却
def get_w(self):
return self.w
# 入力データの型・長さをチェック
def __input_check(self, data, size):
if isinstance(data, np.ndarray) and len(data) == size:
if np.issubdtype(data.dtype, float) or np.issubdtype(data.dtype, int):
return True
return False
return False
# シグモイド関数による変換
def __sigmoid(self, data):
return 1.0 / (1.0 + np.exp(-data))また、ニューラルネットワークを実装した内容は以下の通りで、前提条件の記事のバックプロパゲーションを行うメソッド(back)で、行列の積を利用している。
import numpy as np
# ニューラルネットワーク
class OrigNeuralNetwork:
# クラス変数
repeat_num = 10000 # 最急降下法の繰り返し回数
# 変数の初期化
# 変数x、重みw、重みの微分dw：いずれもNumpy配列 の設定
# ニューロンの生成と初期値の代入
def __init__(self, x):
if self.__input_check(x, 3):
self.x = x[:-1] # 入力値x_0,x_1
# 行列の乗算ができるよう、xの末尾に1を追加
self.x = np.append(self.x, 1)
self.x_3 = x[-1:] # 入力値x_3(正解値)
self.w = np.array([[1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0]])
self.dw = np.array([[1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0]])
# ニューロンの生成と初期値の代入
self.on11 = OrigNeuron()
self.on11.set_input_data(self.x, self.w[0])
self.on12 = OrigNeuron()
self.on12.set_input_data(self.x, self.w[1])
self.on21 = OrigNeuron()
self.on21.set_input_data(np.array([self.on11.get_y(),self.on12.get_y(),1])
, self.w[2])
else:
self.x = np.array([])
print("OrigNeuralNetwork set_input_data : 引数の指定方法が誤っています")
# フォワードプロパゲーションとバックプロパゲーションを繰り返す
def repeat_forward_back(self):
for num in range(OrigNeuralNetwork.repeat_num):
self.forward()
self.back()
# フォワードプロパゲーションで出力変数を設定
def forward(self):
if self.__input_check(self.x, 3):
self.on11.forward()
self.on12.forward()
self.on21.forward()
# バックプロパゲーションで重み、出力変数を変更
def back(self):
if self.__input_check(self.x, 3):
# 後続の偏微分を計算する際に必要なシグモイド関数の微分を定義
self.d_on21 = self.on21.get_y() * (1 - self.on21.get_y())
self.d_on11 = self.on11.get_y() * (1 - self.on11.get_y())
self.d_on12 = self.on12.get_y() * (1 - self.on12.get_y())
# 後続の偏微分を計算する際の共通部分を定義
self.d_com = 2 * (self.on21.get_y() - self.x_3[0]) * self.d_on21
# w^1_10, w^1_11, w^1_12についての偏微分を計算し、重みw[0]を更新
self.on11.tmp = self.d_com * self.w[2][0] * self.d_on11
self.dw[0] = np.dot(self.on11.tmp, self.x)
self.on11.back(self.dw[0])
self.w[0] = self.on11.get_w()
# w^1_20, w^1_21, w^1_22についての偏微分を計算し、重みw[1]を更新
self.on12.tmp = self.d_com * self.w[2][1] * self.d_on12
self.dw[1] = np.dot(self.on12.tmp, self.x)
self.on12.back(self.dw[1])
self.w[1] = self.on12.get_w()
# w^2_10, w^2_11, w^2_12についての偏微分を計算し、重みw[2]を更新
self.on21.tmp = self.d_com
self.dw[2] = np.dot(self.on21.tmp, self.x)
self.on21.back(self.dw[2])
self.w[2] = self.on21.get_w()
# 出力データを返却
def get_y(self):
if self.__input_check(self.x, 3):
return self.on21.get_y()
else:
return None
# 入力データの型・長さをチェック
def __input_check(self, data, size):
if isinstance(data, np.ndarray) and len(data) == size:
if np.issubdtype(data.dtype, float) or np.issubdtype(data.dtype, int):
return True
return False
return Falseなお、backメソッドで利用している重みwの各変数の偏微分については、以下の記事を参照のこと。
ニューラルネットワークの誤差関数の微分を計算してみた 以下の記事で、ニューラルネットワークのフォワードプロパゲーションによる出力値\(y\)を算出してきたが、その際、重み\(\bolds...
さらに、先ほどのニューラルネットワークを呼び出した結果は以下の通りで、出力結果\(y\)は、入力値\(x_0=x_1=0\)または\(x_0=x_1=1\)の場合に\(0\)に近く、そうでない場合は\(1\)に近いことが確認できる。 また、dwの最終結果も、それぞれ\(0\)に近づいていることが確認できる。
import numpy as np
# 作成した入力データのフォワード＆バックプロパゲーションを実行
input_data = np.array([[0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 0]])
for data in input_data:
onn = OrigNeuralNetwork(data)
print("*** 入力データ ***")
print(data)
onn.repeat_forward_back()
print("*** 出力結果 ***")
print(onn.get_y())
# 小数点以下10桁まで＋指数表記しない形式に設定後、dwの最終結果を出力
np.set_printoptions(precision=10, suppress=True)
print("*** dwの最終結果 ***")
print(onn.dw)
print()
要点まとめ
- ニューラルネットワークのフォワードプロパゲーションやバックプロパゲーションで、行列の積を利用すると、計算をシンプルにできる。
