用Python从头实现一个神经网络来理解神经网络的原理1
有个事情可能会让初学者惊讶：神经网络模型并不复杂！『神经网络』这个词让人觉得很高大上，但实际上神经网络算法要比人们想象的简单。
这篇文章完全是为新手准备的。我们会通过用python从头实现一个神经网络来理解神经网络的原理。本文的脉络是：
介绍了神经网络的基本结构——神经元；在神经元中使用s型激活函数；神经网络就是连接在一起的神经元；构建了一个数据集，输入（或特征）是体重和身高，输出（或标签）是性别；学习了损失函数和均方差损失；训练网络就是最小化其损失；用反向传播方法计算偏导；用随机梯度下降法训练网络。***01 ***砖块：神经元
首先让我们看看神经网络的基本单位，神经元。神经元接受输入，对其做一些数据操作，然后产生输出。例如，这是一个2-输入神经元：
这里发生了三个事情。首先，每个输入都跟一个权重相乘（红色）：
然后，加权后的输入求和，加上一个偏差b（绿色）：
最后，这个结果传递给一个激活函数f：
激活函数的用途是将一个无边界的输入，转变成一个可预测的形式。常用的激活函数就就是s型函数：
s型函数的值域是(0, 1)。简单来说，就是把(−∞, +∞)压缩到(0, 1) ，很大的负数约等于0，很大的正数约等于1。
***02 ***一个简单的例子
假设我们有一个神经元，激活函数就是s型函数，其参数如下：
就是以向量的形式表示。现在，我们给这个神经元一个输入。我们用点积来表示：
当输入是[2, 3]时，这个神经元的输出是0.999。给定输入，得到输出的过程被称为前馈（feedforward）。
***03 ***编码一个神经元
让我们来实现一个神经元！用python的numpy库来完成其中的数学计算：
import numpy as np
defsigmoid(x): # 我们的激活函数: f(x) = 1 / (1 + e^(-x)) return 1 / (1 + np.exp(-x))
classneuron: def__init__(self, weights, bias): self.weights = weights self.bias = bias
deffeedforward(self, inputs): # 加权输入，加入偏置，然后使用激活函数 total = np.dot(self.weights, inputs) + self.bias return sigmoid(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还记得这个数字吗？就是我们前面算出来的例子中的0.999。***04 ***把神经元组装成网络
所谓的神经网络就是一堆神经元。这就是一个简单的神经网络：
这个网络有两个输入，一个有两个神经元（和 ）的隐藏层，以及一个有一个神经元（ ）的输出层。要注意，输入就是 和的输出，这样就组成了一个网络。
隐藏层就是输入层和输出层之间的层，隐藏层可以是多层的。
百度人工智能深度学习的框架比不上美国谷歌？
朗骏智能推出四款全新的可联网智能光控产品
华为计划在上海建立芯片工厂应对美国贸易限制
TI CC2340再续经典，信驰达无线模块助力低功耗蓝牙应用
保护接地和重复接地的区别
用Python从头实现一个神经网络来理解神经网络的原理1
常见减速电机系列有哪些？怎样找出这两个品牌的区别？
电感设计之最大磁通密度
LG发布G7 One与G7 Fit手机，搭配骁龙845处理器
工频电机改变频的危害
并行MRAM存储芯片MR5A16A的特点是怎样的
台积电拟砸150亿美元研发3nm工艺
全自动氧指数测定仪的优势与参数
华为mate10什么时候上市?华为mate10最新消息:麒麟970+全面屏,华为mate10逆天配置完美狙击iphone8
前10月氢能源汽车销量仅658辆！大规模商用还需时日
智能安防的网络配置及网络搭建
UL线材表面印字有什么相关标准？
LED产业发展双重动力：技术创新+政策引导
OBA已顺利完成了国航B737-800飞机7C+退租检工作
如何通过扩展频率带宽来实现更快的运算放大器动态
这篇文章完全是为新手准备的。我们会通过用python从头实现一个神经网络来理解神经网络的原理。本文的脉络是：
介绍了神经网络的基本结构——神经元；在神经元中使用s型激活函数；神经网络就是连接在一起的神经元；构建了一个数据集，输入（或特征）是体重和身高，输出（或标签）是性别；学习了损失函数和均方差损失；训练网络就是最小化其损失；用反向传播方法计算偏导；用随机梯度下降法训练网络。***01 ***砖块：神经元
首先让我们看看神经网络的基本单位，神经元。神经元接受输入，对其做一些数据操作，然后产生输出。例如，这是一个2-输入神经元：
这里发生了三个事情。首先，每个输入都跟一个权重相乘（红色）：
然后，加权后的输入求和，加上一个偏差b（绿色）：
最后，这个结果传递给一个激活函数f：
激活函数的用途是将一个无边界的输入，转变成一个可预测的形式。常用的激活函数就就是s型函数：
s型函数的值域是(0, 1)。简单来说，就是把(−∞, +∞)压缩到(0, 1) ，很大的负数约等于0，很大的正数约等于1。
***02 ***一个简单的例子
假设我们有一个神经元，激活函数就是s型函数，其参数如下：
就是以向量的形式表示。现在，我们给这个神经元一个输入。我们用点积来表示：
当输入是[2, 3]时，这个神经元的输出是0.999。给定输入，得到输出的过程被称为前馈（feedforward）。
***03 ***编码一个神经元
让我们来实现一个神经元！用python的numpy库来完成其中的数学计算：
import numpy as np
defsigmoid(x): # 我们的激活函数: f(x) = 1 / (1 + e^(-x)) return 1 / (1 + np.exp(-x))
classneuron: def__init__(self, weights, bias): self.weights = weights self.bias = bias
deffeedforward(self, inputs): # 加权输入，加入偏置，然后使用激活函数 total = np.dot(self.weights, inputs) + self.bias return sigmoid(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还记得这个数字吗？就是我们前面算出来的例子中的0.999。***04 ***把神经元组装成网络
所谓的神经网络就是一堆神经元。这就是一个简单的神经网络：
这个网络有两个输入，一个有两个神经元（和 ）的隐藏层，以及一个有一个神经元（ ）的输出层。要注意，输入就是 和的输出，这样就组成了一个网络。
隐藏层就是输入层和输出层之间的层，隐藏层可以是多层的。
百度人工智能深度学习的框架比不上美国谷歌？
朗骏智能推出四款全新的可联网智能光控产品
华为计划在上海建立芯片工厂应对美国贸易限制
TI CC2340再续经典，信驰达无线模块助力低功耗蓝牙应用
保护接地和重复接地的区别
用Python从头实现一个神经网络来理解神经网络的原理1
常见减速电机系列有哪些？怎样找出这两个品牌的区别？
电感设计之最大磁通密度
LG发布G7 One与G7 Fit手机，搭配骁龙845处理器
工频电机改变频的危害
并行MRAM存储芯片MR5A16A的特点是怎样的
台积电拟砸150亿美元研发3nm工艺
全自动氧指数测定仪的优势与参数
华为mate10什么时候上市?华为mate10最新消息:麒麟970+全面屏,华为mate10逆天配置完美狙击iphone8
前10月氢能源汽车销量仅658辆！大规模商用还需时日
智能安防的网络配置及网络搭建
UL线材表面印字有什么相关标准？
LED产业发展双重动力：技术创新+政策引导
OBA已顺利完成了国航B737-800飞机7C+退租检工作
如何通过扩展频率带宽来实现更快的运算放大器动态