本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

下城網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)建站！從網(wǎng)頁設(shè)計、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應(yīng)式網(wǎng)站建設(shè)等網(wǎng)站項目制作，到程序開發(fā)，運營維護。創(chuàng)新互聯(lián)建站2013年至今到現(xiàn)在10年的時間，我們擁有了豐富的建站經(jīng)驗和運維經(jīng)驗，來保證我們的工作的順利進行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)建站。

你想學機器學習嗎？這里有一個入門貼適合你。

什么神經(jīng)網(wǎng)絡(luò)、隨機森林、計算機視覺通通一網(wǎng)打盡。

這個Facebook軟件工程師做了一個入門貼。

專為基礎(chǔ)為零的初學者打造。

有基礎(chǔ)的同學，也可以來看看加深一下理解。

我們就以神經(jīng)網(wǎng)絡(luò)為例先來一睹為快吧！

神經(jīng)網(wǎng)絡(luò)概論

作者說，神經(jīng)網(wǎng)絡(luò)并不復雜！

“神經(jīng)網(wǎng)絡(luò)”一詞很流行，人們通常認為它很難，但其實要簡單得多。

是不是這樣呢？先看再說。

神經(jīng)網(wǎng)絡(luò)的理解主要分為三個部分，神經(jīng)元、神經(jīng)網(wǎng)絡(luò)的構(gòu)建、訓練神經(jīng)網(wǎng)絡(luò)。

神經(jīng)元——神經(jīng)網(wǎng)絡(luò)的基本單元

這是2-input神經(jīng)元的樣子。

首先神經(jīng)元接受輸入x1、x2，進行一些數(shù)學運算以后，然后產(chǎn)生一個輸出y。

在神經(jīng)元里，通常會發(fā)生三件事：

1、每個輸入乘以相應(yīng)的權(quán)重；

2、將所有加權(quán)輸入加在一起，在加上一個偏差b；

3、導入一個激活函數(shù)，得到輸出y。

通常來說，激活函數(shù)使用Sigmoid函數(shù)，也就是常說的S型函數(shù)，輸入任意值（-∞，+∞），最后輸出都能停留在0-1之間。

對此，他還舉了一個簡單的例子。

以激活函數(shù)是S型函數(shù)、2輸入神經(jīng)元為例，設(shè)置參數(shù) w=[0,1] （w1=0，w2=1），b=4。

input：x=[2,3]

output：y=0.999

這也就是最為樸素的神經(jīng)網(wǎng)絡(luò)——前饋神經(jīng)網(wǎng)絡(luò)。

對此，作者還用Python實現(xiàn)了整個過程。

importnumpyasnpdefsigmoid(x):#Ouractivationfunction:f(x)=1/(1+e^(-x))return1/(1+np.exp(-x))classNeuron:def__init__(self,weights,bias):self.weights=weightsself.bias=biasdeffeedforward(self,inputs):#Weightinputs,addbias,thenusetheactivationfunctiontotal=np.dot(self.weights,inputs)+self.biasreturnsigmoid(total)weights=np.array([0,1])#w1=0,w2=1bias=4#b=4n=Neuron(weights,bias)x=np.array([2,3])#x1=2,x2=3print(n.feedforward(x))#0.9990889488055994 構(gòu)建神經(jīng)網(wǎng)絡(luò)

神經(jīng)元連接在一起就是神經(jīng)網(wǎng)絡(luò)。

兩個輸入，一個含有兩個神經(jīng)元的隱藏層，一個含有1個神經(jīng)元的輸出層就構(gòu)建了一個神經(jīng)網(wǎng)絡(luò)。

需要注意的是，可以用多層隱藏層。就比如，像這樣：

我們?nèi)砸陨蟼€示例的條件為例。

一個神經(jīng)網(wǎng)絡(luò)可以包含任意數(shù)量的層和任意數(shù)量的神經(jīng)元。

以Python代碼示例如下：

importnumpyasnp#...codefromprevioussectionhereclassOurNeuralNetwork:\'\'\'Aneuralnetworkwith:-2inputs-ahiddenlayerwith2neurons(h1,h2)-anoutputlayerwith1neuron(o1)Eachneuronhasthesameweightsandbias:-w=[0,1]-b=0\'\'\'def__init__(self):weights=np.array([0,1])bias=0#TheNeuronclasshereisfromtheprevioussectionself.h1=Neuron(weights,bias)self.h2=Neuron(weights,bias)self.o1=Neuron(weights,bias)deffeedforward(self,x):out_h1=self.h1.feedforward(x)out_h2=self.h2.feedforward(x)#Theinputsforo1aretheoutputsfromh1andh2out_o1=self.o1.feedforward(np.array([out_h1,out_h2]))returnout_o1network=OurNeuralNetwork()x=np.array([2,3])print(network.feedforward(x))#0.7216325609518421 訓練神經(jīng)網(wǎng)路——計算損失函數(shù)

假設(shè)，我們正在處理以下這個項目。通過人員的體重和身高來判斷性別。

以weight、height作為輸入，以gender作為輸出。

將Male設(shè)置為0，F(xiàn)emale設(shè)置為1，還對其余數(shù)據(jù)進行了簡化。

在訓練神經(jīng)網(wǎng)絡(luò)之前，首先需要一個方法來量化它做得有多“好”，是否能夠做得“更好”，那就是損失函數(shù)（loss）。

這里，我們將使用損失函數(shù)的一種——均方誤差來計算。

預(yù)測結(jié)果越好，說明損失也就會越低。而訓練神經(jīng)網(wǎng)絡(luò)的目的，就在于盡可能的減少損失。

如果我們確信所有的人都是Male，也就是說預(yù)測值為0，會出現(xiàn)什么樣的結(jié)果？

Python示例：

importnumpyasnpdefmse_loss(y_true,y_pred):#y_trueandy_predarenumpyarraysofthesamelength.return((y_true-y_pred)**2).mean()y_true=np.array([1,0,0,1])y_pred=np.array([0,0,0,0])print(mse_loss(y_true,y_pred))#0.5 訓練神經(jīng)網(wǎng)絡(luò)——最小化損失

計算了損失函數(shù)之后，就需要將損失最小化，這也是訓練神經(jīng)網(wǎng)絡(luò)的最終目的所在。

接下來帖子有一段多變量演算，涉及微積分。

作者表示，

如果對微積分不滿意，可隨時跳過。

簡單起見，我們就假設(shè)這個數(shù)據(jù)集中只有Alice。

那么，它的損失函數(shù)就是這樣。

那么它的權(quán)重w跟偏差b，在圖上標示，那么就有6個權(quán)重變量，3個偏差變量。

于是，便將損失函數(shù)寫為多變量函數(shù)。

想象一下，我們只要調(diào)整w1，就可能導致L的變化。那具體是如何變化的呢？這就需要計算偏導數(shù)了。

利用鏈式求導法則進行反向求導，而這一過程就叫做反向傳播。

詳細計算過程就不放在這里了，大家去他個人網(wǎng)站去看哦~（鏈接已附文末）

作者溫馨提示，看這個過程的時候不要著急，拿出手中的筆和紙，能夠幫助你理解。

接下來，使用隨機梯度下降的優(yōu)化算法，公式表示如下（以w1為例）：

其中的“學習速率”控制著訓練速度，過大或者過小都不合適。

如果我們將所有的變量都進行這樣的優(yōu)化，那么損失函數(shù)將逐漸減少，神經(jīng)網(wǎng)絡(luò)就能夠得到改善。

簡單來說，整個訓練過程是這樣的：

1、數(shù)據(jù)集中選擇一個樣本，就如Alice。

2、利用反向傳播計算所有變量的偏導數(shù)。

3、使用隨機梯度下降來訓練神經(jīng)網(wǎng)絡(luò)，更新變量。

4、返回步驟1。

神經(jīng)網(wǎng)絡(luò)的部分就介紹到這里，怎么樣？看完之后，有什么感想？

是不是覺得神經(jīng)網(wǎng)絡(luò)也還好了。還有其他概念等著你來學習呢！

當前文章：神經(jīng)網(wǎng)絡(luò)原來這么簡單，機器學習入門貼送給你|干貨
網(wǎng)頁鏈接：http://aaarwkj.com/article20/chcoco.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站導航、電子商務(wù)、外貿(mào)網(wǎng)站建設(shè)、企業(yè)建站、搜索引擎優(yōu)化、網(wǎng)頁設(shè)計公司

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)