2층 신경망 클래스 구현하기

미니배치 학습을 구현해보기 전에 우선 2층 신경망 클래스를 구현해보겠습니다.

2층 신경망에 필요한 메소드(기능)는 무엇이 있을까요?

 

매개변수(가중치, 편향) 초기화, 예측값, 손실함수의 기울기, 정확도... 이 정도가 있겠네요.

 

 

그럼 구현해봅시다.

 

import sys, os
sys.path.append(os.pardir)
from common.functions import*
from common.gradient import numerical_gradient

#2층 신경망
class TwoLayerNet:

    #가중치 초기화
    #input_size : 입력층의 갯수
    #hidden_size : 은닉층의 갯수
    #output_size : 출력층의 갯수
    #weight_init_std : ??
    def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
        #편향은 0으로 초기화
        self.params = {}
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)


    #예측값 리던
    def predict(self, x):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']


        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)

        return y

    #손실함수 리턴
    def loss(self, x, t):
        y = self.predict(x)

        return cross_entropy_error(y, t)


    #정확도 계산
    def accuracy(self, x, t):
        y = self.predict(x)
        y = np.argmax(y, axis=1)
        t = np.argmax(t, axis=1)

        accuracy = np.sum(y == t) / float(x.shape[0])
        return accuracy


    #기울기 계산
    def numerical_gradient(self, x, t):
        #손실함수 저장
        loss_W = lambda W:self.loss(x, t)

        grads = {}
        #여기서의 numerical_gradient는 import한 것입니다.
        #오버로딩
        grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
        grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
        grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
        grads['b2'] = numerical_gradient(loss_W, self.params['b2'])

        return grads

 

 

 

 

 

 

 

 

 

 

[참고]

-밑바닥부터 배우는 딥러닝