如何用Python代碼搭建神經網絡來掌握一些基本概念

這篇文章將為大家詳細講解有關如何用Python代碼搭建神經網絡來掌握一些基本概念，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

這里的“用Python”指的就是不用那些現成的神經網絡庫比如Keras、Tensorflow等，否則連9行都不用了。

本文我會解釋這個神經網絡是怎樣煉成的，所以你也可以搭建你自己的神經網絡。也會提供一個加長版、但是也更漂亮的源代碼。

不過首先，什么是神經網絡？人腦總共有超過千億個神經元細胞，通過神經突觸相互連接。如果一個神經元被足夠強的輸入所激活，那么它也會激活其他神經元，這個過程就叫“思考”。

我們可以在計算機上創建神經網絡，來對這個過程進行建模，且并不需要模擬分子級的生物復雜性，只要觀其大略即可。為了簡化起見，我們只模擬一個神經元，含有三個輸入和一個輸出。

我們將訓練這個神經元來解決下面這個問題，前四個樣本叫作“訓練集”，你能求解出模式嗎？?處應該是0還是1呢？

或許已經發現了，輸出總是與第一列的輸入相等，所以?應該是1。

訓練過程

問題雖然很簡單，但是如何教會神經元來正確的回答這個問題呢？我們要給每個輸入賦予一個權重，權重可能為正也可能為負。權重的絕對值，代表了輸入對輸出的決定權。在開始之前，我們先把權重設為隨機數，再開始訓練過程：

1. 從訓練集樣本讀取輸入，根據權重進行調整，再代入某個特殊的方程計算神經元的輸出。

2. 計算誤差，也就是神經元的實際輸出和訓練樣本的期望輸出之差。

3. 根據誤差的方向，微調權重。

4. 重復10000次。

最終神經元的權重會達到訓練集的最優值。如果我們讓神經元去思考一個新的形勢，遵循相同過程，應該會得到一個不錯的預測。

計算神經元輸出的方程

你可能會好奇，計算神經元輸出的人“特殊方程”是什么？首先我們取神經元輸入的加權總和：

為什么是這個方程？首先我們希望調整量與誤差量成正比，然后再乘以輸入(0-1)。如果輸入為0，那么權重就不會被調整。最后乘以Sigmoid曲線的梯度，為便于理解，請考慮：

1. 我們使用Sigmoid曲線計算神經元輸出。

2. 如果輸出絕對值很大，這就表示該神經元是很確定的（有正反兩種可能）。

3. Sigmoid曲線在絕對值較大處的梯度較小。

4. 如果神經元確信當前權重值是正確的，那么就不需要太大調整。乘以Sigmoid曲線的梯度可以實現。

實際上也有其他讓神經元學習更快的方程，這里主要是取其相對簡單的優勢。

構建Python代碼

盡管我們不直接用神經網絡庫，但還是要從Python數學庫Numpy中導入4種方法：

• exp： 自然對常數

• array： 創建矩陣

• dot：矩陣乘法

• random： 隨機數

比如我們用array()方法代表訓練集：

.T函數就是矩陣轉置。我想現在可以來看看美化版的源代碼了，最后我還會提出自己的終極思考。源代碼中已經添加了注釋逐行解釋。注意每次迭代我們都一并處理了整個訓練集，以下為完整的Python示例：

（Kaiser：講的是將代碼寫入本地main.py文件，再在終端中運行python main.py，這里只需點擊運行即可。）

我們用Python打造了一個簡單的神經網絡。

首先神經網絡給自己賦予隨機的權重值，然后用訓練集訓練自己，最后去思考新的形勢[1 0 0]并預測了0.99993704，這與正確答案非常接近。

傳統的計算機程序無法學習，神經網絡的最大魅力就在于學習能力，可以自主適應新形勢，就像人的心智一樣。當然，僅僅一個神經元只能完成特別簡單的任務，但如果我們把上百萬個如此的神經元連接起來呢？能否有朝一日制造出具有自我意識的東西？

關于如何用Python代碼搭建神經網絡來掌握一些基本概念就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。