首先假设有一件衣服,现在有价格,要来预测其是否畅销,
(特征量)
图片1
现在有T恤的四个特征值来预测其是否畅销,价格(price),运输成本(shipping cost),特定T恤价格(marking),质量(material)
影响畅销的几个因素:1、T恤的负担能力:由价格和运输成本决定;2、T恤的知名度:由特定T恤价格决定;3、买家是否存在感知质量偏差:由价格和质量决定。
四个特征值是:输入层; 三个影响因素是:隐藏层 畅销:输出层
将这个神经网络简化成图片形式,并且对这个神经网络在普遍性上进行简化,如果特征值数量太多,你还得自己决定哪一项要,哪一项不要,这样子太麻烦了,所以得所有神经元都设置成可以访问上一层的所有数据。
图片2
神经网络结构的问题:你要多少个隐藏层,每个隐藏层要有多少个神经元。
有多层的神经网络则被称为多层感知器。 构建一层神经元,以一层为基础
以上面为例子
图片3
构建更复杂的神经网络
图片4
激活函数:
前向传播算法:
图片5
这里会使用TensorFlow库
在咖啡豆的烘培上,任务是给定一个具有温度和持续时间的特征向量x
图片6
x = np.array([[200.0,17.0]])
layer_1 = Dense(units = 3,activation = 'sigmoid')
a1 = layer_1(x)
layer_2 = Dense(units = 1,activation = 'sigmoid')
a2 = layer_2(a1)
下面是对二维向量和一维数组之间的区别
x = np.array([[200.0,17.0]]) 二维向量
x = np.array([[200.0],[17.0]]) 二维向量
x = np.array([200,1]) 一维数组
然后介绍一下关于Tensor变量和Numpy变量
x = np.array([[200.0,17.0]])
layer_1 = Dense(units = 3,activation = 'sigmoid')
a1 = layer_1(x) 这里的a1是Tensor变量,也是矩阵
a1.numpy() 这里是将a1变为Numpy变量
关于搭建一个神经网络
layer_1 = Dense(units = 3,activation = 'sigmoid')
layer_2 = Dense(units = 1,activation = 'sigmoid')
model = Sequential([layer_1,layer_2])
顺序函数密集流,让Tensor直接将两个层按顺序连起来
model.complie(...)
x = np.array([[200.0,17.0],[100.0,18.0],[300.0,19.0].[150.0,23.0])
y = np.array([1,0,0,1])
model.fit(x,y)
model.predict(x_new)
ANI:弱人工智能 AGI:强人工智能