神经网络、结构、权重和矩阵

介绍

我们在机器学习教程的前一章中介绍了有关神经网络的基本思想。

我们已经指出了生物学中神经元和神经网络之间的相似性。我们还引入了非常小的人工神经网络，并引入了决策边界和 XOR 问题。

在我们到目前为止介绍的简单示例中，我们看到权重是神经网络的基本部分。在开始编写具有多层的神经网络之前，我们需要仔细查看权重。

我们必须了解如何初始化权重以及如何有效地将权重与输入值相乘。

在接下来的章节中，我们将用 Python 设计一个神经网络，它由三层组成，即输入层、隐藏层和输出层。您可以在下图中看到这种神经网络结构。我们有一个包含三个节点的输入层一世1,一世2,一世3 这些节点得到相应的输入值 X1,X2,X3. 中间或隐藏层有四个节点H1,H2,H3,H4. 该层的输入源于输入层。我们将很快讨论该机制。最后，我们的输出层由两个节点组成○1,○2

输入层与其他层不同。输入层的节点是被动的。这意味着输入神经元不会改变数据，即在这种情况下没有使用权重。他们接收一个值并将这个值复制到他们的许多输出中。

输入层由节点组成 一世1, 一世2 和 一世3. 原则上，输入是一维向量，如 (2, 4, 11)。一维向量用 numpy 表示，如下所示：

将 numpy 导入为 np

输入向量 =  np 。数组([ 2 ,  4 ,  11 ])
打印( input_vector )

输出：

[ 2 4 11]

在我们稍后将编写的算法中，我们必须将其转置为列向量，即只有一列的二维数组：

将 numpy 导入为 np

输入向量 =  np 。数组([ 2 ,  4 ,  11 ]) 
input_vector  =  np 。数组（input_vector ， ndmin = 2 ）。T
打印（“输入向量：\n ” ， input_vector ）

打印（“这个向量的形状：” ， 输入向量。形状）

输出：

输入向量：
 [[2]
 [4]
 [11]]
这个向量的形状：(3, 1)

权重和矩阵

我们网络图中的每个箭头都有一个相关的权重值。我们现在只看输入层和输出层之间的箭头。