初学深度学习，简单的神经网络样例

一、基本概念

1、神经网络可分为多层：输入层->中间层(0...N)->输出层

2、发展脉络：感知机->神经网络

3、数学关系：感知机(x1*w1 + x2*w2 + b)+激活函数h(x) = 神经元 ... 神经元

总的来说：‘输入*权重 + 偏值’的计算结果通过激活函数h(x)转换成一个神经元的输出值，再参与下一层神经元计算。

主要用途：

1、解决分类问题

2、解决回归问题

二、一个简单的例子

使用到的库numpy，例子来源《深度学习入门》。

import numpy as np

# 非线性激活函数（中间层）
def sigmoid(x):
    return 1.0 / (1.0 + np.exp(-x))

# 输出层激活函数
def identity(x):
    return x

def init_network():
    network = {}
    network['w1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
    network['b1'] = np.array([0.1, 0.2, 0.3])
    network['w2'] = np.array([[0.1, 0.4], [0.2, 0.4], [0.3, 0.6]])
    network['b2'] = np.array([0.1, 0.2])
    network['w3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
    network['b3'] = np.array([0.1, 0.2])
    return network

def forward_prop(network, x):
    W1, W2, W3 = network['w1'], network['w2'], network['w3']
    b1, b2, b3 = network['b1'], network['b2'], network['b3']

    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2
    z2 = sigmoid(a2)
    a3 = np.dot(z2, W3) + b3
    y = identity(a3)

    return y

network = init_network()
x = np.array([1.0, 0.5])
y = forward_prop(network=network, x=x)
print(y)

结果：[0.31442506 0.69147506]