如何使用Python+遗传算法玩转人工神经网络？
点击上方关注，All in AI中国
作者——Ahmed Gad
在之前的教程"使用NumPy和Fruits360图像数据集分类的人工神经网络"中（https://www.linkedin.com/pulse/artificial-neural-network-implementation-using-numpy-fruits360-gad），我创建了一个人工神经网络（ANN），用于对4类Fruits360图像数据集进行分类。另外，我的GitHub页面中提供了本教程中使用的源代码。（https://github.com/ahmedfgad/NumPyANN）
本教程也可在TowardsDataScience获得。（https://towardsdatascience.com/artificial-neural-network-implementation-using-numpy-and-classification-of-the-fruits360-image-3c56affa4491）
本教程简单来说，就是提取特征向量（360个色调色调通道直方图），并使用基于滤波器的技术使用标准偏差将其减少到102个元素。之后，我们的使用NumPy从头开始构建ANN。
人工神经网络并没有完全创建起来，只是准备好了前向传递，但并没有用于更新网络权重的后向传递。这就是为什么准确率非常低，不超过45％的原因。该问题的解决方案是使用优化技术来更新网络权重。本教程使用遗传算法（GA）来优化网络权重。
本教程中使用的源代码可以在我的GitHub页面中找到。（https://github.com/ahmedfgad/NeuralGenetic）
关于遗传算法
在开始本教程之前，我建议你阅读本教程末尾参考资料部分列出的教程。
在了解了基于数值示例的遗传算法的工作原理以及使用Python实现之后，我们可以通过更新其权重（参数）进而使用遗传算法来优化ANN。
GA和ANN的结合
GA为特定问题创建了多种解决方案，并不断对这些解决方案进行改进。每个解决方案都包含可能有助于增强结果的所有参数。对于ANN来说，所有层中的权重都有助于实现高准确率。因此，GA中的单个解决方案将包含ANN中的所有权重。根据前面教程中讨论并结合在下图中给出的网络结构，我们可以发现ANN具有4层（1个输入，2个隐藏和1个输出）。任何层中的任何权重都将是同一解决方案的一部分。这种网络的单一解决方案将包含：102x150 + 150x60 + 60x4 = 24,540的总权重。如果总体有8个解决方案，每个解决方案有24,540个参数，则整个群体中的参数总数为24,540x8 = 196,320。
看上图，网络的参数是矩阵形式的，因为这使得ANN的计算更加容易。对于每个层，都存在一个相关联的权重矩阵。只需将输入矩阵乘以给定图层的参数矩阵，即可返回此层中的输出。GA中的染色体是一维向量，因此我们必须将权重矩阵转换成一维向量。
因为矩阵乘法对于ANN来说是一个很好的选择，所以在使用ANN的时候我们仍然会以矩阵形式来表示ANN参数。因此，在使用ANN时使用矩阵形式，在使用GA时使用向量形式。这使得我们需要将矩阵转换为向量，反之亦然。下图总结了使用GA和ANN的步骤。
权重矩阵到一维向量
总体中的每个解决方案都有两种表示形式。第一个是用于GA的一维向量，第二个是与ANN一起工作的矩阵。因为3层有3个权重矩阵（2个隐藏+ 1个输出），所以将有3个向量。因为GA中的解决方案被表示为单个一维向量，所以这样的3个单独的一维向量将被连接成单个一维向量。每个解决方案将表示为长度为24,540的向量。下面的Python代码创建了一个名为mat_to_vector（）的函数，该函数将总体内所有解决方案的参数从矩阵转换为向量。
该函数可以使用一个表示所有解的总体的参数，以便遍历它们并返回它们的向量表示。在函数的开头，创建一个名为pop_weights_vector的空列表变量来保存结果（所有解决方案的向量）。对于矩阵形式的每个解，有一个内部循环通过它的三个矩阵。对于每个矩阵，使用numpy.reshape（）函数将其转换为向量，该函数支持输入矩阵和矩阵将被重新调整的输出大小。 variablecurr_vector接受单个解决方案的所有向量。生成所有向量后，它们将被附加到pop_weights_vector变量中。
请注意，我们对属于同一解决方案的向量使用numpy.extend（）函数，对属于不同解决方案的向量使用numpy.append（）函数。原因是numpy.extend（）获取属于同一解决方案的3个向量中的数字并将它们连接在一起。换句话说，为两个列表调用此函数会返回一个新的单个列表，其中包含两个列表中的数字。这适用于仅创建一维染色体。但是numpy.append（）将为每个解决方案返回三个列表。将其调用为两个列表，它返回一个新列表，该列表被拆分为两个子列表。很明显，这不是我们的目标。所以最后，functionmat_to_vector（）将填充解决方案作为NumPy数组返回，以便以后进行轻松操作。
实施GA步骤
在将所有解决方案从矩阵转换为向量并连接在一起之后，我们已准备好完成标题为"遗传算法优化简介"的教程中讨论的GA步骤了。这些步骤在主图中给出，并在下图中进行了总结。
请记住，GA使用适应度函数来返回每个解决方案的适应值。适应值越高，解决方案越好。
诸如ANN之类的分类器的常见适应度函数之一是准确率。它是正确分类的样本与样本总数之间的比率。它是根据下一个等式计算的。根据主图中的步骤计算每种解决方案的分类准确率。
每个解的单个一维向量被转换回3个矩阵，其中每个层一个矩阵（2个隐藏和1个输出）。转换使用名为vector_to_mat（）的函数进行。它在下一个代码中定义。
它反转了之前完成的工作。但是有一个重要的问题。如果给定解的向量是一端，我们如何分成三个不同的部分，每个部分代表一个矩阵？输入层和隐藏层之间的第一个参数矩阵的大小为102x150。转换为向量时，其长度为15,300。因为它是根据themat_to_vector（）函数插入curr_vector变量的第一个向量，所以它的索引从索引0开始并在索引15,299结束。 mat_pop_weights用作thevector_to_mat（）函数的参数，以便了解每个矩阵的大小。我们对使用mat_pop_weights变量中的权重不感兴趣，只使用了矩阵大小。
对于同一解决方案中的第二个向量，它将是一个大小为150x60的矩阵的转换结果。因此，向量长度为9,000。将这样的向量插入到前一个长度为15,300的向量之前的curr_vector变量中。因此，它将从指数15,300开始，到指数15,300 + 9,000-1 = 24,299结束。使用-1是因为Python从0开始索引。对于大小为60x4的参数矩阵创建的最后一个向量，其长度为240。因为它是在前一个长度为9,000的向量之后恰好添加到curr_vector变量中的，所以它的索引将在它之后开始。它的起始指数是24,300，它的结束指数是24,300 + 240-1 = 24,539。因此，我们可以成功地将向量还原到原始的3个矩阵中。
为每个解决方案返回的矩阵用于预测所用数据集中1,962个样本中每个样本的类别标签，以计算准确度。这是使用2个函数完成的，函数分别是predict_outputs（）和fitness（）。
predict_outputs（）函数接受训练数据的单个解决方案/输入和输出的权重，以及指定要使用的激活函数的可选参数。它只返回一个解决方案的准确率，而不是总体中的所有解决方案。它命令返回总体内所有解的适应值（即准确率），fitness（）函数循环遍历每个解，将其传递给predict_outputs（）函数，将所有解的准确率存储到准确率数组中，最后返回这样一个数组。
在计算所有解的适合度值（即准确率）之后，应用主图中的GA的剩余步骤与前面的步骤相同。
完整的Python实现
这个项目的Python实现有三个Python文件：
1.GA.py用于实现GA功能。
2.ANN.py用于实现ANN功能。
3.通过多代调用此类函数的第三个文件。这是该项目的主要文件。
主要项目文件实施
第三个文件是主文件，因为它连接所有函数。它读取特征和类标签文件，根据标准偏差过滤特征，创建ANN架构，生成初始解决方案，通过计算所有解决方案的适合度值，选择最佳"父母"，应用交叉和突变，最后创造新的"人口"。其实施如下。
基于1,000次迭代数据，使用Matplotlib可视化库在此文件的
末尾创建一个图，该库显示每一代的准确率如何变化。如下图所示。
经过1,000次迭代后，准确率超过97％。相比之下，如果不使用上一个教程中的优化技术，这个比例为45％。这是为什么结果可能不好的证据，不是因为模型或数据中存在错误，而是因为没有使用优化技术。当然，对诸如10,000代之类的参数使用不同的值可能会提高准确率。在此文件的末尾，它将矩阵形式的参数保存到磁盘以供以后使用。
GA.py实施
GA.py文件实现如下所示。请注意，mutation（）函数接受mutation_percent参数，该参数定义随机更改其值的基因数。它在主文件中设置为10％。这样的文件包含2个新函数mat_to_vector（）和vector_to_mat（）。
ANN.py实施
最后，ANN.py根据下面列出的代码实现。除了fitness（）和predict_outputs（）函数之外，它还包含激活函数sigmoid和ReLU的实现，以计算准确率。
编译出品