第十天，三层神经网络的代码实现以及输出层的设计

本文链接：https://blog.csdn.net/qq_30078751/article/details/88543877

本文详细介绍了如何在三层神经网络中设计并实现Softmax输出层，重点讲解了Softmax函数确保输出值在0到1之间且总和为1的特性，这对于概率解释和分类任务至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

'''
 用数组来实现深度学习的神经网络的计算，分为输入层，隐藏层，和输出层，参与计算的 有每个神经元的权重，以及偏置，还有
 激活函数，也就是上面的 阶跃函数，sigmoid函数  relu函数 
 计算公式为   Y = XW + B 
'''

def sigmoid_fun(x):     # 激活函数
    return 1 /(1 + np.exp(-x))


X1_in = np.array([0.1,0.2])   #定义2个输入神经元

X2_in = np.array([0.5,0.6,0.7])  # 定义另一个输入神经元

W_1 = np.array([[0.5,0.7,0.9],[1.1,1.3,1.5]])  #定义两个输入神经元的权重

B_1 = np.array([0.7,0.8,0.9])  # 定义一个偏置，偏置的个数和一个输入神经元的权重的个数相等

Y_1 = np.dot(X1_in,W_1) + B_1    # 得出输出层神经元

# 接下来是使用激活函数激活输出神经元
Z_1 = sigmoid_fun(Y_1)

print(Z_1)

'''
以上是 第0层到第一层的神经网络实现方式，如果要实现3层神经网络，则可以使用函数的方式来实现。
理论上 输入层和权重可以有无数个，就像大脑神经一样，四通八达
'''

def  W_init_fun():     #定义一个权重和偏置的初始函数
    dic_init = {}       #定义一个 空的字典，用来保存 权重和偏置  
    dic_init['W1'] = np.array([[0.1,0.2,0.3],[0.4,0.5,0.6]])  
    # 定义一个2维数组作为输入层的权重，意味着输入参数至少要俩个参数
    dic_init['B1'] = np.array([1.1,1.2,1.3])  # 偏置的个数决定了 输出层的个数 同时等于输入层一个元素权重的个数
    # 以上是第一层的权重和偏置 上一层的输出层是下一层的输入层，上一层有3个输出元素，意味着下一次的输入有3个元素
    dic_init['W2'] = np.array([[0.5,0.7],[0.4,0.6],[0.2,0.8]])  # 有3个输入元素，则需要对应3个权重
    dic_init['B2'] = np.array([1.1,1.5])  # 一个输入元素对应的权重有两个，则偏置也为两个
    #同理，上一层有两个输出，那么下一层就有2个输入
    dic_init['W3'] = np.array([[1.0,1.7],[2.0,2.5]])  #两个输入参数，定义两个权重，对应两个输出
    dic_init['B3'] = np.array([2.2,2.1])    #偏置决定了输出层的元素个数
    return dic_init
def forword_fun(dic_in,x):
    w1 , w2 , w3 = dic_in['W1'] , dic_in['W2'] , dic_in['W3']    #取出初始化函数的权重值
    b1 , b2 , b3 = dic_in['B1'] , dic_in['B2'] , dic_in['B3']    #取出偏置值
    
    Y1 = np.dot(x,w1) + b1   #计算第一层的输出值 
    Z1 = sigmoid_fun(Y1)     #经过一个激活函数得出输出值  
    
    Y2 = np.dot(Z1,w2) + b2  #计算第二层的输出值
    Z2 = sigmoid_fun(Y2)     #经过激活函数得出第二层的输出值
    
    Y3 = np.dot(Y2,w3) + b3  #计算第三层的输出值
    Z3 = sigmoid_fun(Y3)     #得出第三层的输出值
    return Z3
# 以上函数实现了 三层网络神经的计算，最终得出经过激活函数的第三层的输出

Net_Init = W_init_fun()  # 定义一个字典名字，并取出初始化的值
X = np.array([0.5,0.8])  # 定义初始底0层的输入元素 
Y_sum = forword_fun(Net_Init,X)
print(Y_sum)

输出：
[0.7251195  0.7558389  0.78414719]
[0.99997897 0.9999989 ]

输出层的设计：

'''
输出层的设计 
神经网络可以用在 分类问题 和 回归问题 上不过需要根据需要改变激活函数
一般来说，回归问题用恒等函数，回归问题用softmax函数
回归问题就是根据输入的参数来预测一个数值的问题
恒等函数 ： 将输入函数原封不动的原样输出
'''

'''
#softmax 函数的实现
# 计算出第a个神经元的输出值y 
'''

def softmax_fun(a):         
    exp_a = np.exp_exp(a)
    sum_exp_a = np.sum(exp_a)
    y = exp_a / sum_exp_a
    return y
'''
如果用上面的函数进行计算的话，存在一个弊端，那就容易溢出，如果是数据较小，那还好，但是如果是数据很大的话
就会溢出，导致计算机无法计算，所以需要修改一下，限制一下
方法就是通过减去一个数，其输出结果不变
我们可以减去输入数据中最大的，得出结果不变，可以避免数据溢出的情况
经过溢出处理之后,输出总和为1
意味着，可以输出某个元素的占比
'''
def Softmax_fun(a):
    max_a = np.max(a)
    exp_a = np.exp(a - max_a)    #减去一个数，其结果不会改变
    sum_exp_a = np.sum(exp_a)
    y = exp_a / sum_exp_a
    return y


text_array = np.array([0.2,0.5,0.2])
y_out = Softmax_fun(text_array)
print(y_out)
print(np.sum(y_out))

out：
[0.29852004 0.40295991 0.29852004]
1.0

不管Softmax的输入参数是多少，他的输出总是在0到1.0之间，而且总数总为1.0，意味着可以求出其中某个数的百分比