資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究Python 中的單神經元神經網路
神經網路是深度學習非常重要的核心；它在許多不同領域都有許多實際應用。如今，這些網路被用於影像分類、語音識別、目標檢測等。
讓我們來了解一下它是什麼以及它是如何工作的？
這個網路有不同的元件。它們如下所示 -
- 輸入層，x
- 任意數量的隱藏層
- 輸出層，ŷ
- 每層之間的一組權重和偏差，由 W 和 b 定義
- 接下來是為每個隱藏層選擇啟用函式，σ。
在此圖中，展示了 2 層神經網路（在計算神經網路中的層數時，通常不包括輸入層）
在此圖中，圓圈代表神經元，線條代表突觸。突觸用於將輸入和權重相乘。我們將權重視為神經元之間連線的“強度”。權重定義了神經網路的輸出。
以下是簡單的前饋神經網路工作原理的簡要概述 -
當我們使用前饋神經網路時，我們必須遵循一些步驟。
首先將輸入作為矩陣（數字的二維陣列）
接下來是將輸入乘以一組權重。
接下來應用啟用函式。
返回輸出。
接下來計算誤差，它是資料期望輸出與預測輸出之間的差值。
並且權重會根據誤差稍作調整。
為了訓練，這個過程會重複 1,000+ 次，並且訓練的資料越多，我們的輸出就會越準確。
學習時間，睡眠時間（輸入）測試分數（輸出）
2, 992 1, 586 3, 689 4, 8?
示例程式碼
from numpy import exp, array, random, dot, tanh
class my_network():
def __init__(self):
random.seed(1)
# 3x1 Weight matrix
self.weight_matrix = 2 * random.random((3, 1)) - 1
defmy_tanh(self, x):
return tanh(x)
defmy_tanh_derivative(self, x):
return 1.0 - tanh(x) ** 2
# forward propagation
defmy_forward_propagation(self, inputs):
return self.my_tanh(dot(inputs, self.weight_matrix))
# training the neural network.
deftrain(self, train_inputs, train_outputs,
num_train_iterations):
for iteration in range(num_train_iterations):
output = self.my_forward_propagation(train_inputs)
# Calculate the error in the output.
error = train_outputs - output
adjustment = dot(train_inputs.T, error *self.my_tanh_derivative(output))
# Adjust the weight matrix
self.weight_matrix += adjustment
# Driver Code
if __name__ == "__main__":
my_neural = my_network()
print ('Random weights when training has started')
print (my_neural.weight_matrix)
train_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])
train_outputs = array([[0, 1, 1, 0]]).T
my_neural.train(train_inputs, train_outputs, 10000)
print ('Displaying new weights after training')
print (my_neural.weight_matrix)
# Test the neural network with a new situation.
print ("Testing network on new examples ->")
print (my_neural.my_forward_propagation(array([1, 0, 0])))輸出
Random weights when training has started [[-0.16595599] [ 0.44064899] [-0.99977125]] Displaying new weights after training [[5.39428067] [0.19482422] [0.34317086]] Testing network on new examples -> [0.99995873]
更新於: 2020年6月26日
675 次檢視
廣告