当前位置: > 投稿>正文

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

03-03 互联网 未知 投稿

关于【“人生自古谁无死留取丹心照汗青”的作者是水】,“人生自古谁无死留取丹心照汗青”,今天向乾小编给您分享一下,如果对您有所帮助别忘了关注本站哦。

1、「Python」零起步数学+神经网络入门

摘要:手把手教你用(Python)零起步数学+神经网络入门!

在这篇文章中,我们将在Python中从头开始了解用于构建具有各种层神经网络(完全连接,卷积等)的小型库中的机器学习和代码。最终,我们将能够写出如下内容:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

假设你对神经网络已经有一定的了解,这篇文章的目的不是解释为什么构建这些模型,而是要说明如何正确实现

逐层

我们这里需要牢记整个框架:

1. 将数据输入神经网络

2. 在得出输出之前,数据从一层流向下一层

3. 一旦得到输出,就可以计算出一个标量误差

4. 最后,可以通过相对于参数本身减去误差的导数来调整给定参数(权重或偏差)。

5. 遍历整个过程。

最重要的一步是第四步。 我们希望能够拥有任意数量的层,以及任何类型的层。 但是如果修改/添加/删除网络中的一个层,网络的输出将会改变,误差也将改变,误差相对于参数的导数也将改变。无论网络架构如何、激活函数如何、损失如何,都必须要能够计算导数。

为了实现这一点,我们必须分别实现每一层

每个层应该实现什么

我们可能构建的每一层(完全连接,卷积,最大化,丢失等)至少有两个共同点:输入输出数据。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

现在重要的一部分

假设给出一个层相对于其输出(∂E/∂Y)误差的导数,那么它必须能够提供相对于其输入(∂E/∂X)误差的导数

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

记住,Eæ˜¯æ ‡é‡ï¼ˆä¸€ä¸ªæ•°å­—ï¼‰ï¼ŒX和Y是矩阵。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

我们可以使用链规则轻松计算∂E/∂X的元素:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

为什么是∂E/∂X?

对于每一层,我们需要相对于其输入的误差导数,因为它将是相对于前一层输出的误差导数。这非常重要,这是理解反向传播的关键!在这之后,我们将能够立即从头开始编写深度卷积神经网络!

花样图解

基本上,对于前向传播,我们将输入数据提供给第一层,然后每层的输出成为下一层的输入,直到到达网络的末端。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

对于反向传播,我们只是简单使用链规则来获得需要的导数。这就是为什么每一层必须提供其输出相对于其输入的导数。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

这可能看起来很抽象,但是当我们将其应用于特定类型的层时,它将变得非常清楚。现在是编写第一个python类的好时机。

抽象基类:Layer

所有其它层将继承的抽象类Layer会处理简单属性,这些属性是输入输出以及前向反向方法。

from abc import abstractmethod# Base classclass Layer: def __init__(self): self.input = None; self.output = None; self.input_shape = None; self.output_shape = None; # computes the output Y of a layer for a given input X @abstractmethod def forward_propagation(self, input): raise NotImplementedError # computes dE/dX for a given dE/dY (and update parameters if any) @abstractmethod def backward_propagation(self, output_error, learning_rate): raise NotImplementedError

正如你所看到的,在back_propagation函数中,有一个我没有提到的参数,它是learning_rate。 此参数应该类似于更新策略或者在Keras中调用它的优化器,为了简单起见,我们只是通过学习率并使用梯度下降更新我们的参数。

全连接层

现在先定义并实现第一种类型的网络层:全连接层或FC层。FC层是最基本的网络层,因为每个输入神经元都连接到每个输出神经元。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

前向传播

每个输出神经元的值由下式计算:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

使用矩阵,可以使用点积来计算每一个输出神经元的值:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

当完成前向传播之后,现在开始做反向传播。

反向传播

正如我们所说,假设我们有一个矩阵,其中包含与该层输出相关的误差导数(∂E/∂Y)。 我们需要 :

1.关于参数的误差导数(∂E/∂W,∂E/∂B)

2.关于输入的误差导数(∂E/∂X)

首先计算∂E/∂W,该矩阵应与W本身的大小相同:对于ixj,其中i是输入神经元的数量,j是输出神经元的数量。每个权重都需要一个梯度

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

使用前面提到的链规则,可以写出:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

那么:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

这就是更新权重的第一个公式!现在开始计算∂E/∂B:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

同样,∂E/∂B需要与B本身具有相同的大小,每个偏差一个梯度。 我们可以再次使用链规则:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

得出结论:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

现在已经得到∂E/∂W∂E/∂B,我们留下∂E/∂X这是非常重要的,因为它将“作用”为之前层的∂E/∂Y。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

再次使用链规则:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

最后,我们可以写出整个矩阵:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

我们已经得到FC层所需的三个公式!

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

编码全连接层

现在我们可以用Python编写实现:

from layer import Layerimport numpy as np# inherit from base class Layerclass FCLayer(Layer): # input_shape = (1,i) i the number of input neurons # output_shape = (1,j) j the number of output neurons def __init__(self, input_shape, output_shape): self.input_shape = input_shape; self.output_shape = output_shape; self.weights = np.random.rand(input_shape[1], output_shape[1]) - 0.5; self.bias = np.random.rand(1, output_shape[1]) - 0.5; # returns output for a given input def forward_propagation(self, input): self.input = input; self.output = np.dot(self.input, self.weights) + self.bias; return self.output; # computes dE/dW, dE/dB for a given output_error=dE/dY. Returns input_error=dE/dX. def backward_propagation(self, output_error, learning_rate): input_error = np.dot(output_error, self.weights.T); dWeights = np.dot(self.input.T, output_error); # dBias = output_error # update parameters self.weights -= learning_rate * dWeights; self.bias -= learning_rate * output_error; return input_error;

激活层

到目前为止所做的计算都完全是线性的。用这种模型学习是没有希望的,需要通过将非线性函数应用于某些层的输出来为模型添加非线性。

现在我们需要为这种新类型的层(激活层)重做整个过程!

不用担心,因为此时没有可学习的参数,过程会快点,只需要计算∂E/∂X。

我们将f和f'分别称为激活函数及其导数。

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

前向传播

正如将看到的,它非常简单。对于给定的输入X,输出是关于每个X元素的激活函数,这意味着输入输出具有相同的大小

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

反向传播

给出∂E/∂Y,需要计算∂E/∂X

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

注意,这里我们使用两个矩阵之间的每个元素乘法(而在上面的公式中,它是一个点积)

编码实现激活层

激活层的代码非常简单:

from layer import Layer# inherit from base class Layerclass ActivationLayer(Layer): # input_shape = (1,i) i the number of input neurons def __init__(self, input_shape, activation, activation_prime): self.input_shape = input_shape; self.output_shape = input_shape; self.activation = activation; self.activation_prime = activation_prime; # returns the activated input def forward_propagation(self, input): self.input = input; self.output = self.activation(self.input); return self.output; # Returns input_error=dE/dX for a given output_error=dE/dY. # learning_rate is not used because there is no "learnable" parameters. def backward_propagation(self, output_error, learning_rate): return self.activation_prime(self.input) * output_error;

可以在单独的文件中编写一些激活函数以及它们的导数,稍后将使用它们构建ActivationLayer:

import numpy as np# activation function and its derivativedef tanh(x): return np.tanh(x);def tanh_prime(x): return 1-np.tanh(x)**2;

损失函数

到目前为止,对于给定的层,我们假设给出了∂E/∂Y(由下一层给出)。但是最后一层怎么得到∂E/∂Y?我们通过简单地手动给出最后一层的∂E/∂Y,它取决于我们如何定义误差。

网络的误差由自己定义,该误差衡量网络对给定输入数据的好坏程度。有许多方法可以定义误差,其中一种最常见的叫做MSE - Mean Squared Error:

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

其中y *和y分别表示期望的输出实际输出。你可以将损失视为最后一层,它将所有输出神经元吸收并将它们压成一个神经元。与其他每一层一样,需要定义∂E/∂Y。除了现在,我们终于得到E!

“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)

以下是两个python函数,可以将它们放在一个单独的文件中,将在构建网络时使用。

import numpy as np# loss function and its derivativedef mse(y_true, y_pred): return np.mean(np.power(y_true-y_pred, 2));def mse_prime(y_true, y_pred): return 2*(y_pred-y_true)/y_true.size;

网络类

到现在几乎完成了!我们将构建一个Network类来创建神经网络,非常容易,类似于第一张图片!

我注释了代码的每一部分,如果你掌握了前面的步骤,那么理解它应该不会太复杂。

from layer import Layerclass Network: def __init__(self): self.layers = []; self.loss = None; self.loss_prime = None; # add layer to network def add(self, layer): self.layers.append(layer); # set loss to use def use(self, loss, loss_prime): self.loss = loss; self.loss_prime = loss_prime; # predict output for given input def predict(self, input): # sample dimension first samples = len(input); result = []; # run network over all samples for i in range(samples): # forward propagation output = input[i]; for layer in self.layers: # output of layer l is input of layer l+1 output = layer.forward_propagation(output); result.append(output); return result; # train the network def fit(self, x_train, y_train, epochs, learning_rate): # sample dimension first samples = len(x_train); # training loop for i in range(epochs): err = 0; for j in range(samples): # forward propagation output = x_train[j]; for layer in self.layers: output = layer.forward_propagation(output); # compute loss (for display purpose only) err += self.loss(y_train[j], output); # backward propagation error = self.loss_prime(y_train[j], output); # loop from end of network to beginning for layer in reversed(self.layers): # backpropagate dE error = layer.backward_propagation(error, learning_rate); # calculate average error on all samples err /= samples; print('epoch %d/%d error=%f' % (i+1,epochs,err));

构建一个神经网络

最后!我们可以使用我们的类来创建一个包含任意数量层的神经网络!为了简单起见,我将向你展示如何构建......一个XOR。

from network import Networkfrom fc_layer import FCLayerfrom activation_layer import ActivationLayerfrom losses import *from activations import *import numpy as np# training datax_train = np.array([[[0,0]], [[0,1]], [[1,0]], [[1,1]]]);y_train = np.array([[[0]], [[1]], [[1]], [[0]]]);# networknet = Network();net.add(FCLayer((1,2), (1,3)));net.add(ActivationLayer((1,3), tanh, tanh_prime));net.add(FCLayer((1,3), (1,1)));net.add(ActivationLayer((1,1), tanh, tanh_prime));# trainnet.use(mse, mse_prime);net.fit(x_train, y_train, epochs=1000, learning_rate=0.1);# testout = net.predict(x_train);print(out);

同样,我认为不需要强调很多事情,只需要仔细训练数据,应该能够先获得样本维度。例如,对于xor问题,样式应为(4,1,2)。

结果

$ python xor.py epoch 1/1000 error=0.322980epoch 2/1000 error=0.311174epoch 3/1000 error=0.307195...epoch 998/1000 error=0.000243epoch 999/1000 error=0.000242epoch 1000/1000 error=0.000242[array([[ 0.00077435]]), array([[ 0.97760742]]), array([[ 0.97847793]]), array([[-0.00131305]])]

卷积层

这篇文章开始很长,所以我不会描述实现卷积层的所有步骤。但是,这是我做的一个实现:

from layer import Layerfrom scipy import signalimport numpy as np# inherit from base class Layer# This convolutional layer is always with stride 1class ConvLayer(Layer): # input_shape = (i,j,d) # kernel_shape = (m,n) # layer_depth = output depth def __init__(self, input_shape, kernel_shape, layer_depth): self.input_shape = input_shape; self.input_depth = input_shape[2]; self.kernel_shape = kernel_shape; self.layer_depth = layer_depth; self.output_shape = (input_shape[0]-kernel_shape[0]+1, input_shape[1]-kernel_shape[1]+1, layer_depth); self.weights = np.random.rand(kernel_shape[0], kernel_shape[1], self.input_depth, layer_depth) - 0.5; self.bias = np.random.rand(layer_depth) - 0.5; # returns output for a given input def forward_propagation(self, input): self.input = input; self.output = np.zeros(self.output_shape); for k in range(self.layer_depth): for d in range(self.input_depth): self.output[:,:,k] += signal.correlate2d(self.input[:,:,d], self.weights[:,:,d,k], 'valid') + self.bias[k]; return self.output; # computes dE/dW, dE/dB for a given output_error=dE/dY. Returns input_error=dE/dX. def backward_propagation(self, output_error, learning_rate): in_error = np.zeros(self.input_shape); dWeights = np.zeros((self.kernel_shape[0], self.kernel_shape[1], self.input_depth, self.layer_depth)); dBias = np.zeros(self.layer_depth); for k in range(self.layer_depth): for d in range(self.input_depth): in_error[:,:,d] += signal.convolve2d(output_error[:,:,k], self.weights[:,:,d,k], 'full'); dWeights[:,:,d,k] = signal.correlate2d(self.input[:,:,d], output_error[:,:,k], 'valid'); dBias[k] = self.layer_depth * np.sum(output_error[:,:,k]); self.weights -= learning_rate*dWeights; self.bias -= learning_rate*dBias; return in_error;

它背后的数学实际上并不复杂!这是一篇很好的文章,你可以找到∂E/∂W,∂E/∂B和∂E/∂X的解释和计算。

如果你想验证你的理解是否正确,请尝试自己实现一些网络层,如MaxPooling,Flatten或Dropout

GitHub库

你可以在GitHub库中找到用于该文章的完整代码。

本文由阿里云云栖社区组织翻译。

文章原标题《math-neural-network-from-scratch-in-python》

作者:Omar Aflak 译者:虎说八道,审校:袁虎。

2、“人生自古谁无死留取丹心照汗青”的作者是水

“人生自古谁无死留取丹心照汗青”的作者是水?

“人生自古谁无死留取丹心照汗青”的作者是文天祥。出处《过零丁洋》是宋代大臣文天祥在1279年经过零丁洋时所作的诗作。

山河破碎风飘絮,身世浮沉雨打萍。惶恐滩头说惶恐,零丁洋里叹零丁。人生自古谁无死?留取丹心照汗青。翻译:回想我早年由科举入仕历尽辛苦,如今战火消歇已熬过了四个年头。

国家危在旦夕恰如狂风中的柳絮,个人又哪堪言说似骤雨里的浮萍。惶恐滩的惨败让我至今依然惶恐,零丁洋身陷元虏可叹我孤苦零丁。人生自古以来有谁能够长生不死?我要留一片爱国的丹心映照史册。

扩展资料:今昔不同的处境和心情,昔日惶恐滩边,忧国忧民,诚惶诚恐;今天零丁洋上孤独一人,自叹伶仃。皇恐滩是赣江十八滩之一,水流湍急,令人惊恐,也叫惶恐滩。原名黄公滩,因读音相近,讹为皇恐滩。

滩在今江西省万安县境内赣江中,文天祥起兵勤王时曾路过这里。零丁洋在今广东省珠江15里外的崖山外面,现名伶丁洋,文天祥兵败被俘,押送过此。前者为追忆,后者乃当前实况,两者均亲身经历。

一身为战将,一为阶下囚。故作战将,面对强大敌人,恐不能完成守土复国的使命,惶恐不安。而作为阶下囚,孤苦伶仃,只有一人。这里“风飘絮”、“雨打萍”、“惶恐滩”、“零丁洋”都是眼前景物,信手拈来,对仗工整,出语自然,而形象生动,流露出一腔悲愤和盈握血泪。

人生自古谁无死,留取丹心照汗青出自那首诗,作者是谁?

《过零丁洋》

文天祥 宋

辛苦遭逢起一经,干戈寥落四周星。

山河破碎风飘絮,身世浮沉雨打萍。

人生自古谁无死,留取丹心照汗青。

人生自古谁无死,留取丹心照汗青.表达了作者什么样的

表达了诗人的爱国之情,体现了他的高风亮节,以及舍身取义的人生观,充分体现了他的民族气节、民族精神以及舍身取义的生死观。

该诗出自文天祥的《过零丁洋》

《过零丁洋》

朝代:宋代

作者:文天祥

辛苦遭逢起一经,干戈寥落四周星。

惶恐滩头说惶恐,零丁洋里叹零丁。

人生自古谁无死?留取丹心照汗青。

译文:

我由于熟读经书,通过科举考试,被朝廷选拔入仕做官。

在频繁的抗元战斗中已度过四年。

大宋国势危亡如风中柳絮。

我一生坎坷,如雨中浮萍漂泊无根,时起时沉。

惶恐滩的惨败让我至今依然惶恐,

零丁洋身陷元虏可叹我孤苦零丁。

自古以来,人都不免一死,但死得要有意义,倘若能为国尽忠,死后仍可光照千秋,青史留名。

遭逢:遭遇到朝廷选拔。

起一经:因精通某一经籍而通过科举考试得官。

文天祥在宋理宗宝佑四年(1256)以进士第一名状元。

干戈寥(liáo)落:寥落意为冷清,稀稀落落。在此指宋元间的战事已经接近尾声。

干戈,两种兵器,这里代指战争。寥落,荒凉冷落。南宋亡于1279年,此时已无力反抗。

四周星: 四年。

从德祐元年(1275)正月起兵抗元至被俘恰是四年。

风飘絮:运用比喻的修辞手法,形容国势如柳絮。

雨打萍:比喻自己身世坎坷,如同雨中浮萍,漂泊无根,时起时沉。

惶恐滩:在今江西万安赣江,水流湍急,极为险恶,为赣江十八滩之一。

宋瑞宗景炎二年(1277),文天祥在江西空阬兵败,经惶恐滩退往福建。

零丁洋:即“伶仃洋”,现在广东省中山市南的珠江口。文天祥于宋末帝赵昺祥兴元年(1278)十二月被元军所俘,囚于洋的战船中,次年正月,元军都元帅张弘范攻打崖山,逼迫文天祥招降坚守崖山的宋军统帅张世杰。于是,文天祥写了这首。

零丁:孤苦无依的样子。

留取丹心照汗青:留取赤胆忠心,永远在历史中放光。

丹心:红心,比喻忠心。

汗青:古代在竹简上写字,先以火炙烤竹片,以防虫蛀。因竹片水分蒸发如汗,故称书简为汗青,也做杀青。这里特指史册。

鉴赏:

首联“辛苦遭逢起一经,干戈寥落四周星。”“起一经”当指天祥二十岁中进士说的,四周星即四年。天祥于德祐元年(1275),起兵勤王,至祥兴元年(1278)被俘,恰为四个年头。此自叙生平,思今忆昔。

从时间说,拈出“入世”和“勤王”,一关个人出处,一关国家危亡,两件大事,一片忠心。唐宋时期,一个人要想替国家做出一番事业,必须入仕,要入仕,作为知识分子必须通过科举考选,考选就得读经,文天祥遇难时,衣带中留有个自赞文说:“读圣贤书,所学何事,而今而后,庶几无愧”,就是把这两件事拴在一起的。圣人著作就叫经,经是治国安邦的。

这两句诗,讲两件事,似可分开独立,而实质上是连结在一起的。干戈寥落一作干戈落落,意思相近。《后汉书·耿弁传》“落落难合”注云:“落落犹疏阔也。”疏阔即稀疏、疏散,与寥落义同。

《宋史》说当时谢后下勤王诏,响应的人很少,这里所讲情况正合史实。

颔联接着说“山河破碎风飘絮,身世浮沉雨打萍。”还是从国家和个人两方面展开和深入加以铺叙。

宋朝自临安弃守,恭帝赵昰被俘,事实上已经灭亡。剩下的只是各地方军民自动组织起来抵抗。文天祥。

本文关键词:人生自古谁无死留取丹心照汗青意思,人生自古谁无死留取丹心照汗青英文,人生自古谁无死留取丹心照汗青抒情方式,人生自古谁无死留取丹心照汗青的诗,人生自古谁无死留取丹心照汗青哲理。这就是关于《“人生自古谁无死留取丹心照汗青”的作者是水,“人生自古谁无死留取丹心照汗青”(零起步数学+神经网络入门)》的所有内容,希望对您能有所帮助!更多的知识请继续关注《犇涌向乾》百科知识网站:http://www.029ztxx.com!

版权声明: 本站仅提供信息存储空间服务,旨在传递更多信息,不拥有所有权,不承担相关法律责任,不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请发送邮件至 举报,一经查实,本站将立刻删除。

猜你喜欢