📅  最后修改于: 2020-04-27 16:14:23             🧑  作者: Mango
人工神经网络(ANN)是一种收到大脑启发的信息处理范例。人工神经网络就像人一样,以身作则。通过学习过程为特定应用(例如模式识别或数据分类)配置了ANN。学习主要涉及对神经元之间存在的突触连接的调节。
大脑由数千亿个称为神经元的细胞组成。这些神经元通过突触连接在一起,这些突触不过是神经元可以向另一神经元发送冲动的连接。当一个神经元向另一个神经元发送一个兴奋性信号时,该信号将被添加到该神经元的所有其他输入中。如果超过给定的阈值,则将导致目标神经元向前发出动作信号-这就是思维过程在内部工作的方式。
在《计算机科学》中,我们通过使用矩阵在计算机上创建“网络”来对此过程进行建模。这些网络可以理解为神经元的抽象,而没有考虑到所有生物学上的复杂性。为了简单起见,我们将对一个简单的NN建模,该模型具有两层能够解决线性分类问题的层。
假设我们有一个问题,我们要在给定一组输入和输出作为训练数据的情况下,需要预测新输出,例如训练示例:
注意,输出与第三列直接相关,即输入3的值就是图3中每个训练示例中输出的值。2.因此对于测试示例,输出值应为1。
培训过程包括以下步骤:
注意:重复整个过程几千次迭代。
让我们用Python编写整个过程。我们将使用Numpy库来帮助我们轻松进行矩阵的所有计算。您需要在系统上安装numpy库,以运行代码
Command来安装numpy:
sudo apt -get install Python-numpy
实现方式:
from numpy import *
class NeuralNet(object):
def __init__(self):
# 产生随机数
random.seed(1)
# 将随机权重分配给3 x 1矩阵,
self.synaptic_weights = 2 * random.random((3, 1)) - 1
# Sigmoid函数
def __sigmoid(self, x):
return 1 / (1 + exp(-x))
# Sigmoid函数的导数.
# 这是S型曲线的梯度.
def __sigmoid_derivative(self, x):
return x * (1 - x)
# 训练神经网络并每次调整权重.
def train(self, inputs, outputs, training_iterations):
for iteration in xrange(training_iterations):
# 通过网络传递训练集.
output = self.learn(inputs)
# 计算误差
error = outputs - output
# 调整权重
factor = dot(inputs.T, error * self.__sigmoid_derivative(output))
self.synaptic_weights += factor
# 神经网络
def learn(self, inputs):
return self.__sigmoid(dot(inputs, self.synaptic_weights))
if __name__ == "__main__":
# 初始化
neural_network = NeuralNet()
# 训练集.
inputs = array([[0, 1, 1], [1, 0, 0], [1, 0, 1]])
outputs = array([[1, 0, 1]]).T
# 训练神经网络
neural_network.train(inputs, outputs, 10000)
# 用测试示例测试神经网络.
print neural_network.learn(array([1, 0, 1])
预期输出:经过10次迭代后,我们的神经网络预测该值为0.65980921。答案应为1,这看起来不好。如果将迭代次数增加到100,则得到0.87680541。我们的网络越来越智能!随后,对于10000次迭代,我们得到0.9897704,这非常接近并且确实是令人满意的输出。