机器学习第二课（第一周神经网络及它如何推断或预测）

最新推荐文章于 2024-06-24 15:01:40 发布

chunqiuchan

最新推荐文章于 2024-06-24 15:01:40 发布

阅读量151

点赞数

文章标签：神经网络 numpy

本文链接：https://blog.csdn.net/qhdxoyy12345/article/details/128885534

版权

首先假设有一件衣服，现在有价格，要来预测其是否畅销，

$input:x = price$ （特征量） $output:a = f(x) = \frac{1}{1+e^{-(wx+b)}}$

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： $a_{j}^{i} = g(w_{j}^{i} * a^{i-1}+b_{j}^{i})$

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