利用Python简单搭建单层神经网络

最新推荐文章于 2024-05-02 00:19:47 发布

心之微光

最新推荐文章于 2024-05-02 00:19:47 发布

阅读量2.1k

点赞数 1

分类专栏：深度学习文章标签： Python 深度学习神经网络

本文链接：https://blog.csdn.net/qq_40739970/article/details/84992923

版权

本文介绍了如何在不使用框架的情况下，用Python从零开始构建一个单层神经网络。通过设置输入层和输出层，应用Sigmoid激活函数，并进行训练，最终实现了对数据的准确预测，加深了对深度学习基础知识的理解。

摘要由CSDN通过智能技术生成

最近看了一篇文章，作者在不借助任何框架的情况下搭建了一个非常简单的神经网络，感觉有点儿意思。加之自己刚刚入门深度学习，于是按照流程实现了一遍，顺便在其中回顾所学的基础知识，如有疏漏，还望指正。
这是一个单层神经网络，只有输入层和输出层，对输出结果还做了Sigmoid非线性变换。如下是展示问题的表格：
在这里插入图片描述
我们希望通过训练数据来训练模型，得到最后的输出结果。

import numpy as np

#定义网络结构和训练过程
class NeutralNetwork():
    def __init__(self):
        #利用随机数种子生成随机数，会使每次生成的初始权重相同
        np.random.seed(1)
        #生成了3*1的随机权重矩阵
        self.synaptic_weights = 2*np.random.random((3,1))-1
        
    #定义sigmoid激活函数
    def sigmoid(self,x):
        return 1/(1+np.exp(-x))
        
    #定义sigmoid函数的导数
    def sigmoid_derivative(self,x):
        return x*(1-x)
    
    #对节点的输出值进行激活        
    def think(self,inputs):
        inputs = inputs.astype(float)
        #前向传播结果
        output = self.sigmoid(np.dot(inputs,self.synaptic_weights))