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]