一个极简的神经元网络助你入门

import numpy as np
import matplotlib.pyplot as plt

#此示例神经网络的样本输入输出分别是二进制和十进制0-8

#输入样本
X=np.array([
    [0,0,0],
    [0,0,1],
    [0,1,0],
    [0,1,1],
    [1,0,0],
    [1,0,1],
    [1,1,0],
    [1,1,1]    
])

#输出样本
Y=np.array([
    [0],
    [1],
    [2],
    [3],
    [4],
    [5],
    [6],
    [7]
])

#学习率：
learning_rate=0.01
#训练次数
train_times=1000
#构造一个简单神经元结构 包括三个输入节点和一个输出节点 输入输出连接权重值矩阵
W=np.random.randn(1,3)
#此数组记录损失值
costs=[]

#开始训练
for i in range(train_times):
    for j in range(8):
        y=W.dot(X[j]) #输入值前向传播得出输出值
        cost=Y[j]-y #目标值和输出值之间的差距
        cost2=cost**2 #平方差
        costs.append(cost2) #记录平方差值以供后续可视化
        gradient=-cost*X[j] #计算梯度
        W-=gradient*learning_rate #梯度下降

#训练的最终结果就是得到了神经元网络连接的权重值矩阵 如此处的 W       
print("训练结果 W = ",W)

#可视化误差在训练过程中的收敛现象
plt.plot(costs)
plt.show()