锐客网

  1. 首页 > it技术 > >

深度学习|theano学习指南--深度置信网络(DBN)（源码）

深度学习DBN

【深度学习|theano学习指南--深度置信网络(DBN)（源码）】欢迎fork我的github：https://github.com/zhaoyu611/DeepLearningTutorialForChinese
最近在学习Git，所以正好趁这个机会，把学习到的知识实践一下~ 看完DeepLearning的原理，有了大体的了解，但是对于theano的代码，还是自己撸一遍印象更深 所以照着deeplearning.net上的代码，重新写了一遍，注释部分是原文翻译和自己的理解。 感兴趣的小伙伴可以一起完成这个工作哦~ 有问题欢迎联系我 Email: zhaoyuafeu@gmail.com QQ: 3062984605

#-*-coding: utf-8 -*- __author__ = 'Administrator'import cPickle import gzip import sys import time import numpy import os import theano import theano.tensor as T from theano.tensor.shared_randomstreams import RandomStreamsfrom logistic_sgd import load_data,LogisticRegression from mlp import HiddenLayer from rbm import RBMclass DBN(object): """ 深度置信网络 深度置信网络是将若干RBMs堆叠组成的。第i层RBM的隐层是第i+1层的输入。 第一层RBM的输入是网络的输入，最后一层RBM的隐层是网络的输出。当用于分类时， DBN顶部添加一个logistic回归，变成了MLP。 """ def __init__(self,numpy_rng,theano_rng=None,n_ins=784, hidden_layers_sizes=[500,500],n_outs=10): """ 该类可实现可变层数的DBN:param numpy_rng: numpy.random.RandomState用于初始化权重的numpy随机数 :param theano_rng: theano.tensor.shared_randomstreams.RandomStreams 如果输入为None :param n_ins: int DBN输入量的维度 :param hidden_layers_size: list 隐层输入量的维度 :param n_outs: int 网络输出量的维度 :return: """ self.sigmoid_layers=[] self.rbm_layers=[] self.params=[] self.n_layers=len(hidden_layers_sizes) assert self.n_layers>0if not theano_rng: theano_rng=RandomStreams(numpy_rng.randint(2**30)) #设置符号变量 self.x=T.matrix('x') self.y=T.ivector('y')#DBN是一个MLP，中间层的权重是在不同的RBM之间共享的。 #首先构造DBN为一个深层多感知器。在构造每个sigmoid层时， #同样构造RBM与之共享变量。在预训练阶段，需要训练三个RBM(同样改变MLP的权重， #微调阶段，通过在MLP上随机梯度下降法完成DBN训练。for i in xrange(self.n_layers): #构造sigmoid层， #对于第一层，输入量大小是网络的输入量大小 #对于其它层，输入量大小是下层隐层单元的数量 if i==0: input_size=n_ins else: input_size=hidden_layers_sizes[i-1] #对于第一层，输入是网络的输入 #对于其它层，输入是下层隐层的激活函数值 if i==0: layer_input=self.x else: layer_input=self.sigmoid_layers[i-1].output #定义sigmoid函数 sigmoid_layer=HiddenLayer(rng=numpy_rng,input=layer_input,n_in=input_size, n_out=hidden_layers_sizes[i],activation=T.nnet.sigmoid) self.sigmoid_layers.append(sigmoid_layer)#sigmoid_layers的参数是DBN的参数。而RBM中可见层的偏置只是RBM的参数，而不属于DBN self.params.extend(sigmoid_layer.params)#构造RBM共享权重 rbm_layer=RBM(input=layer_input,n_visible=input_size,n_hidden=hidden_layers_sizes[i], W=sigmoid_layer.W,hbias=sigmoid_layer.b,numpy_rng=numpy_rng,theano_rng=theano_rng)self.rbm_layers.append(rbm_layer)#添加logistic到网络的顶部 self.logLayer=LogisticRegression(input=self.sigmoid_layers[-1].output, n_in=hidden_layers_sizes[-1],n_out=n_outs) self.params.extend(self.logLayer.params)#计算微调阶段的代价函数，定义为logistic回归(输出)层的负对数似然函数 self.finetune_cost=self.logLayer.negative_log_likelihood(self.y)#给定self.x和self.y，计算每个minibatch的误差 self.errors=self.logLayer.errors(self.y)def pretraining_functions(self,train_set_x,batch_size,k): """ 生成函数列表，在给定层计算一步梯度下降。函数要求输入minibatch索引， 重复训练RBM,并在所有的minibatch调用相关函数。train_set_x: theano.tensor.TensorType 训练集的特征 batch_size: int minibatch的大小 k:int CD-k/PCD-k中Gibbs采样步数 """ index=T.lscalar('index') #minibatch的索引 learning_rate=T.scalar('lr') #学习率 #bathes数量 n_batches=train_set_x.get_value(borrow=True).shape[0]/batch_size #给定index后，起始batch batch_begin=index*batch_size #给定index后，终止batch batch_end=batch_begin+batch_sizepretrain_fns=[] for rbm in self.rbm_layers:#依次训练每个RBM #获得代价值和更新列表 #使用CD-k(这里persisitent=None)，训练每个RBM cost,updates=rbm.get_cost_updates(learning_rate,persistent=None,k=k)#定义thenao函数,需要将learning_rate转换为tensor类型 fn=theano.function(inputs=[index,theano.Param(learning_rate,default=0.1)], outputs=cost,updates=updates, givens={self.x:train_set_x[batch_begin:batch_end]}) #将'fn'增加到list列表中 pretrain_fns.append(fn) return pretrain_fnsdef build_finetune_function(self,datasets,batch_size,learning_rate): """ 构造训练函数执行一步微调，构造验证函数计算验证集合一个batch的误差 构造测试函数计算测试集合一个batch的误差 datasets: theano.tensor.TensoType 数据集合 batch_size: int minibatch大小 laerning_rate: float 微调阶段的学习率""" (train_set_x,train_set_y)=datasets[0] (valid_set_x,valid_set_y)=datasets[1] (test_set_x,test_set_y)=datasets[2]#计算训练、验证、测试的minibatch数量 n_valid_batches=valid_set_x.get_value(borrow=True).shape[0]/batch_size n_test_batches=test_set_x.get_value(borrow=True).shape[0]/batch_size #minibath索引的符号变量 index=T.lscalar('index') #计算梯度下降率 gparams=T.grad(self.finetune_cost,self.params) #生成更新列表 updates=[] for param,gparam in zip(self.params,gparams): updates.append((param,param-gparam*learning_rate))#定义训练函数 train_fn=theano.function(inputs=[index],outputs=self.finetune_cost,updates=updates, givens={self.x:train_set_x[index*batch_size:(index+1)*batch_size], self.y:train_set_y[index*batch_size:(index+1)*batch_size]}) #定义一个minibatch上的验证函数 valid_score_i=theano.function(inputs=[index],outputs=self.errors,updates=updates, givens={self.x:valid_set_x[index*batch_size:(index+1)*batch_size], self.y:valid_set_y[index*batch_size:(index+1)*batch_size]}) #定义一个minibatc上的测试函数 test_score_i=theano.function(inputs=[index],outputs=self.errors,updates=updates, givens={self.x:test_set_x[index*batch_size:(index+1)*batch_size], self.y:test_set_y[index*batch_size:(index+1)*batch_size]})#定义整个验证集合上的验证函数 def valid_score(): return [valid_score_i(i) for i in xrange(n_valid_batches)]#定义整个测试集合上的测试函数 def test_score(): return [test_score_i(i) for i in xrange(n_test_batches)]return train_fn,valid_score,test_score#---------------测试函数---------- def test_DBN(finetune_lr=0.1,pretraining_epochs=100, pretrain_lr=0.01,k=1,training_epoch=1000, dataset='./data/mnist.pkl.gz',batch_size=10): """ 定义训练和测试深度置信网络的函数 :param finetune_lr: float微调阶段的学习率 :param pretraining_epochs: int 进行预训练的迭代次数 :param pretrain_lr: float 预训练阶段的学习率 :param training_epoch: int 进行训练的迭代次数 :param dataset: str 数据集的路径 :param batch_size: int minibatch的大小 :return: """ ######################### #模型初始化过程# ######################### datasets=load_data(dataset) train_set_x,train_set_y=datasets[0] valid_set_x,valid_set_y=datasets[1] test_set_x,test_set_y=datasets[2]#计算minibatch的数量 n_train_batches=train_set_x.get_value(borrow=True).shape[0]/batch_size #numpy生成的随机数种子 numpy_rng=numpy.random.RandomState(123) print '...building the model' #实例化DBN，有三个隐层 dbn=DBN(numpy_rng,n_ins=28*28,hidden_layers_sizes=[1000,1000,1000],n_outs=10)######################### #模型预训练过程# ######################### print "...getting the pretraining functions" pretraining_fns=dbn.pretraining_functions(train_set_x=train_set_x,batch_size=batch_size,k=k)print "...pretraining the model" start_time=time.clock() #逐层预训练 for i in xrange(dbn.n_layers): #遍历训练次数 for epoch in xrange(pretraining_epochs): #遍历每个minibatch c=[] #定义储存RBM中cost的列表 for batch_index in xrange(n_train_batches): c.append(pretraining_fns[i](index=batch_index,lr=pretrain_lr)) print "pretraining layer %i, epoch %i,cost " %(i,epoch), print numpy.mean(c) end_time=time.clock() print >>sys.stderr,("The pretraining code for file "+ os.path.split(__file__)[1]+ " ran for %0.2fm")%((end_time-start_time)/60.)######################### #模型微调过程# ######################### #构造微调过程的训练函数、验证函数和测试函数 print "...getting finetuning functions" train_fn,valid_model,test_model=dbn.build_finetune_function(datasets=datasets, batch_size=batch_size,learning_rate=finetune_lr)print "...finetuning the model" #提前结束的参数设置 patience=4*n_train_batches patience_increase=2. improvement_threshold=0.995 #每次优化效果阈值 #在验证集合检查minibatch， #该程序中每个epoch都要检查 validation_frequency=min(n_train_batches,patience/2) #微调过程初始参数设置 best_params=None best_validation_loss=numpy.inf test_score=0. start_time=time.clock() done_looping=False epoch=0#设置终止条件：大于设定的迭代次数或者达到don_looping while(epoch> sys.stderr, ("The fine tuning code for file "+ os.path.split(__file__)[1]+ " ran for %.2fm")%((end_time-start_time)/60.)if __name__=='__main__': test_DBN()

    推荐阅读


    上一篇：矩形判断

    下一篇：g++ 编译cpp程序 /usr/bin/ld: cannot find -lopencv_cudabgsegm....等问题