本文主要是介绍sklearn中MLPClassifier源码解析，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

神经网络

.fit()

首先传入类私用方法._fit()

1. 确定hidden_layer_size是可迭代的
2. 调用_validate_hyperparameters验证超参数是否合法
3. 验证输入的x和y是否合法并且获取one-hot-label
4. 从x、y中获取输入参数的信息，并且添加输入层和输出层
   （隐藏层作为参数，输入层和输出层可以从x、y中获取）
5. 将随机种子（seed）变成np.random.RandomState实例
6. 看一看是不是第一次训练该模型，如果是则进入_initialize方法
   1. 初始化weight和bias
   2. 初始化loss和score

# factor作为边界计算的分子
# 6.0说明是分类任务
factor = 6.0
if self.activation == "logistic":
    factor = 2.0

# fan_in、fan_out分别是这一层的输入大小和输出大小
init_bound = np.sqrt(factor / (fan_in + fan_out))

# _random_state就是第五点中根据seed实例出的对象
# uniform代表在随机生成，参数分别为下限，上限，size
# Generate weights and bias
coef_init = self._random_state.uniform(
    -init_bound, init_bound, (fan_in, fan_out)
)
intercept_init = self._random_state.uniform(-init_bound, init_bound, fan_out)

7. 初始化权重和偏值的梯度（用numpy.empty）
8. 训练（根据solver决定模型 _fit_stochastic 和 _fit_lbfgs）# 下次再读，到饭点了
9. 验证权重是否合法，用np.isfinite()，检查是否出现INF，-INF和NAN

这篇关于sklearn中MLPClassifier源码解析的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！