python神经网络库_使用Python scikit-learn 库实现神经网络算法

1：神经网络算法简介

2：Backpropagation算法详细介绍

3：非线性转化方程举例

4：自己实现神经网络算法NeuralNetwork

5：基于NeuralNetwork的XOR实例

6：基于NeuralNetwork的手写数字识别实例

7：scikit-learn中BernoulliRBM使用实例

8：scikit-learn中的手写数字识别实例

一：神经网络算法简介

1：背景

以人脑神经网络为启发，历史上出现过很多版本，但最著名的是backpropagation

2：多层向前神经网络（Multilayer Feed-Forward Neural Network）

多层向前神经网络组成部分

输入层（input layer），隐藏层（hiddenlayer），输出层（output layer）

每层由单元（units）组成

输入层（input layer）是由训练集的实例特征向量传入

经过连接结点的权重（weight）传入下一层，一层的输出是下一层的输入

隐藏层的个数是任意的，输出层和输入层只有一个

每个单元（unit）也可以被称作神经结点，根据生物学来源定义

上图称为2层的神经网络（输入层不算）

一层中加权的求和，然后根据非线性的方程转化输出

作为多层向前神经网络，理论上，如果有足够多的隐藏层（hidden layers）和足够大的训练集，可以模拟出任何方程

3：设计神经网络结构

3.1使用神经网络训练数据之前，必须确定神经网络层数，以及每层单元个数

3.2特征向量在被传入输入层时通常被先标准化（normalize）和0和1之间（为了加强学习过程）

3.3离散型变量可以被编码成每一个输入单元对应一个特征可能赋的值

比如：特征值A可能取三个值（a0,a1,a2），可以使用三个输入单元来代表A

如果A=a0,那么代表a0的单元值就取1，其他取0

如果A=a1,那么代表a1的单元值就取1，其他取0，以此类推

3.4神经网络即可以用来做分类（classification）问题，也可以解决回归（regression）问题

3.4.1对于分类问题，如果是2类，可以用一个输入单元表示（0和1分别代表2类）

如果多于两类，每一个类别用一个输出单元表示

所以输入层的单元数量通常等于类别的数量

3.4.2没有明确的规则来设计最好有多少个隐藏层

3.4.2.1根据实验测试和误差，以及准确度来实验并改进

4：算法验证——交叉验证法（Cross- Validation）

解读： 有一组输入集A,B，可以分成三组，第一次以第一组为训练集，求出一个准确度，第二次以第二组作为训练集，求出一个准确度，求出准确度，第三次以第三组作为训练集，求出一个准确度，然后对三个准确度求平均值

二：Backpropagation算法详细介绍

1：通过迭代性来处理训练集中的实例

2：输入层输入数

经过权重计算得到第一层的数据，第一层的数据作为第二层的输入，再次经过权重计算得到结果，结果和真实值之间是存在误差的，然后根据误差，反向的更新每两个连接之间的权重

3：算法详细介绍

输入：D : 数据集，| 学习率（l