逻辑回归的前向传播（正向传播） 作者：马育民 • 2019-10-23 14:02 • 阅读：10187 # 概述 本文介绍逻辑回归的前向传播，也叫正向传播 一句话解释：将神经网络正向走一遍 ``` 输入层—->隐藏层—->输出层 ``` # 案例 为了便于观察，这里建立2个全连接层，1层有4个神经元，2层有1个神经元，激活函数时sigmoid，如下图： [](https://www.malaoshi.top/upload/0/0/1EF4ItpvXONd.png) 样本demo如下： | |特征x1（父母平均身高） |孩子是否超过1.8 | |--------| ------------ | ------------ | |样本1 |1.7 |0 | |样本2 |1.8 |1 | |样本3 |1.9 |1 | # 计算第1层 这里主要讲解 h1 的计算 ### 初始化权重和偏置量 在keras中的全连接网络中： - 权重 默认初始化的方式是 **随机的** - 偏置量 默认为0 为了方便计算，手动设置 权重和偏置量，如下 |权重 w1 |偏置量 b1| | ------------ | ------------ | |0.1 |0 | **注意：** 运算后的结果 与 样本真实值 会有误差 ### 计算公式 ``` h1结果=x1*w1+b1 ``` x表示特征，即父母平均身高 ### 偏置量b1的转换 为了让公式更加统一，将 **b1** 理解成 ```x0*w1_0```，如下： ``` h1结果=x0*w1_0+x1*w1_1 ``` **注意：** - x0永远为1 - 在初始化时，b1值是0，x0永远为1，所以此时w0是0 - **特征多了一个** ### 转成矩阵运算（3个样本，神经元h1） 由于有很多个样本，用循环计算复杂，通过 **矩阵** 计算更加简单，转换公式如下： [](https://www.malaoshi.top/upload/0/0/1EF4ItiqQ2PS.png) **注意：** - 样本矩阵，**行是样本，列是特征** - 样本中的特征只有1个，但将偏置量b理解成```x0*w1_0```，所以 **特征多了一个** ### 转成矩阵运算（3个样本，神经元h1 h2 h3 h4） [](https://www.malaoshi.top/upload/0/0/1EF4Itl8x8JX.png) ### 最终结果如下 代入3个样本，4个神经元，最终结果如下： [](https://www.malaoshi.top/upload/0/0/1EF4IblfMKg9.png) 第1行的4列是样本1.7 与 4个神经元运算的结果 第2行的4列是样本1.8 与 4个神经元运算的结果 第3行的4列是样本1.9 与 4个神经元运算的结果 ### keras 代码验证 上述是理论，接下来我们要通过keras代码，查看输出的结果 实现思路，建立好模型后，需要手动设置权重为0.1，直接调用predict()方法进行预测，就会以权重（0.1）和偏置量（0）进行计算 ``` import tensorflow as tf import numpy as np x=[1.7,1.8,1.9] model=tf.keras.Sequential() model.add(tf.keras.layers.Dense(4,input_shape=(1,),kernel_initializer=tf.initializers.Constant(0.1))) model.summary() out_result = model.predict(x) out_result ``` 执行结果如下： ``` [[0.17 0.17 0.17 0.17 ] [0.17999999 0.17999999 0.17999999 0.17999999] [0.19 0.19 0.19 0.19 ]] ``` ### numpy 代码验证 ``` import numpy as np import math x=np.array([ [1,1.7], [1,1.8], [1,1.9] ]) w=np.array([ [0,0,0,0], [0.1,0.1,0.1,0.1], ]) result=x.dot(w) ``` 执行结果如下： ``` [[0.17 0.17 0.17 0.17] [0.18 0.18 0.18 0.18] [0.19 0.19 0.19 0.19]] ``` # 计算第2层 第2层只有一个神经元，分成2个步骤进行运算 ### 初始化权重和偏置量 同上，为了方便计算，手动设置 **权重** 和** 偏置量**，如下 |权重 w5_1 |权重 w5_2 |权重 w5_3 |权重 w5_4 |偏置量 b5| | ------------ | ------------ | ------------ | ------------ | |0.1 |0.1 |0.1 |0.1 |0 | **注意：** 运算后的结果 与 样本真实值 会有误差 ### 计算步骤1 以样本1为例，**样本1** 经过 **第1层** 的 **4个神经元** 计算后，得到4个结果，将这 **4个结果作为特征**，进行第2层的计算 公式如下： ``` h1*w5_1+h2*w5_2+h3*w5_3+h4*w5_4+b5 ``` 为了让公式更加统一，将 **b5** 理解成 ```h0*w5_0```，如下： ``` h0*w5_0+h1*w5_1+h2*w5_2+h3*w5_3+h4*w5_4 ``` **注意：** - h0永远为1 - 在初始化时，b5值是0，h0永远为1，所以此时 **w5_0是0** - **特征多了一个** ### 计算步骤1 - 转成矩阵运算（1个样本） 用循环计算复杂，通过 **矩阵** 计算更加简单，如下： [](https://www.malaoshi.top/upload/0/0/1EF4IuFdNKWw.png) ### 计算步骤1 - 转成矩阵运算（3个样本） 由于有很 **多个样本**，用循环计算复杂，通过 **矩阵** 计算更加简单，如下： [](https://www.malaoshi.top/upload/0/0/1EF4IuG2GMvz.png) **注意：** - 第一个矩阵是 第1层 的输出结果，**行是样本，列是1个样本在4个神经元的计算结果** ### 计算步骤1 - 结果如下 ``` array([[0.068], [0.072], [0.076]]) ``` ### 计算步骤2 - sigmoid 计算步骤1的结果，是线性计算的结果，范围是 **负无穷** 到 **正无穷**。 为了实现分类，就需要对这个结果再次进行计算，将范围 **映射到 0-1之间**。 这样，大于等于0.5（即 50%）的，就认为是1，小于等于0.5（即 50%）的，就认为是0，这样就实现了二分类 计算公式： [](https://www.malaoshi.top/upload/0/0/1EF3xWjgkbzo.png) x表示 **上一步骤** 的结果 将上一步骤的样本1结果0.068，代入公式，结果：0.516993452360945 样本2的结果0.072，代入公式，结果：0.5179922280289649 样本3的结果0.076，代入公式，结果：0.5189908599459256 ### keras 代码验证 上述是理论，接下来我们要通过keras代码，查看输出的结果 实现思路，建立好模型后，需要手动设置权重为0.1，直接调用predict()方法进行预测，就会以权重（0.1）和偏置量（0）进行计算 ``` import tensorflow as tf import numpy as np x=[1.7,1.8,1.9] model=tf.keras.Sequential() model.add(tf.keras.layers.Dense(4,input_shape=(1,),kernel_initializer=tf.initializers.Constant(0.1))) model.add(tf.keras.layers.Dense(1,activation="sigmoid",kernel_initializer=tf.initializers.Constant(0.1))) model.summary() out_result = model.predict(x) out_result ``` 执行结果如下： ``` [[0.51699346] [0.5179922 ] [0.5189909 ]] ``` # o1输出层 将h2的结果输出 ``` [[0.51699346] [0.5179922 ] [0.5189909 ]] ``` ### numpy验证 ``` import numpy as np import math h=np.array([[1,0.17, 0.17, 0.17, 0.17], [1,0.18, 0.18, 0.18, 0.18], [1,0.19, 0.19, 0.19, 0.19]]) w5=np.array([[0],[0.1],[0.1],[0.1],[0.1]]) result=h.dot(w5) result ``` 定义sigmoid函数 ``` def sigmoid(x): return 1/(1+math.e**x) sigmoid(result) ``` 执行结果如下： ``` array([[0.51699345], [0.51799223], [0.51899086]]) ``` 原文出处：/show_1EF4Ibnp3zyC.html