机器学习(1)--神经网络初探

最新推荐文章于 2019-10-20 01:13:28 发布

雨落那秋林

最新推荐文章于 2019-10-20 01:13:28 发布

阅读量979

点赞数

分类专栏： python 机器学习文章标签： python 神经网络机器学习 numpy

本文链接：https://blog.csdn.net/carmelcarmen/article/details/78819108

版权

这篇博客主要探讨了神经网络的计算方法和流程，虽然未提供完整的代码实现，但提到了可以借助tensorflow等框架。文章指出，为了专注于计算流程，权重表示的神经线没有定义对应的偏置，并且在学习率、权重初始值等方面存在简化处理，后续文章将对此进行更详细的解释。

摘要由CSDN通过智能技术生成

本文仅通过numpy,演示神经网络的计算方法，其实神经网络的计算相当于完成线性方程的求解，
当然，这个求解过程，不是线性方程的求解方法，而是通机器学习的神经网络方法进行求解，

本文的目的仅仅只是讲解神经网络的计算方法与流程，

离完善的代码还有很大的距离，你也可以使用如tensorflow等框架进行使用

可以参考我的另一篇文章 tensorflow实例(2)--机器学习初试

# -*- coding:utf-8 -*- 
import numpy as np
'''
双曲正切函数(tanh) 与 双曲函数，在神经网络运行过程要使用当，当然，这样的函数组不只这组，还有其他的，
我们这里不研究数理，只是为了把神经网络计算的流程交待清楚，所以就不多做解释数理方面的东西，只要知道这在计算loss是用到就是
'''
def tanh(x):
    return np.tanh(x)
def tanh_deriv(x):
    return 1.0 - np.tanh(x)*np.tanh(x)

class npNN():
    def __init__(self,w,b,layers):
        '''
            w 为线性方程上各维度的系数，
            b为常数
            即 y= a0 * x0 + a1 * x1 + a2 * x2  + a3 * x3 + b  其中w=[a0,a1,a2,a3]  

            layers,是指神经网络的中间层，特别强调，是中间层，如果为空则表示没有中间层
            因为第一层即是w传参，最后一层的维度即是y值
            下面的第一行就将对层数进行调整，形成完整的神经网络
        '''
        layers=[len(w)]+layers+[1] #补全神经网络层
        w=(w if isinstance(w,np.