企业网站空间多大合适,医院网站建设最新报价,垂直搜索引擎,门户网站有哪几个编码我们的第一个神经元 引言1. A Single Neuron#xff1a;Example 1Example 2 2. A Layer of Neurons#xff1a;Example 1 引言
本教程专为那些对神经网络已有基础了解、但尚未动手实践过的读者而设计。尽管网上充斥着各种教程#xff0c;但很多内容要么过于简略#x… 编码我们的第一个神经元 引言1. A Single NeuronExample 1Example 2 2. A Layer of NeuronsExample 1 引言
本教程专为那些对神经网络已有基础了解、但尚未动手实践过的读者而设计。尽管网上充斥着各种教程但很多内容要么过于简略要么直接进入高级主题让初学者难以跟上。本指南将带领你从零开始用 Python 构建一个简单的神经网络模型逐步拆解每一步帮助你真正理解神经网络的工作原理为今后的深入学习打下坚实基础。
1. A Single Neuron
最简单基础的单个神经元
Example 1
inputs [1, 2, 3]
weights [0.2, 0.8, -0.5]
bias 2
output (inputs[0]*weights[0] inputs[1]*weights[1] inputs[2]*weights[2] bias)
print(output:, output)output: 2.3代码的可视化https://nnfs.io/bkr/
Example 2
inputs [1.0, 2.0, 3.0, 2.5]
weights [0.2, 0.8, -0.5, 1.0]
bias 2.0
output (inputs[0]*weights[0] inputs[1]*weights[1] inputs[2]*weights[2] inputs[3]*weights[3] bias)
print(output)output: 2.3
output: 4.8代码的可视化https://nnfs.io/djp/
2. A Layer of Neurons
一层神经元 Example 1
假设我们有这样一个场景一层有 3 个神经元4 个输入。
inputs [1, 2, 3, 2.5]weights1 [0.2, 0.8, -0.5, 1]
weights2 [0.5, -0.91, 0.26, -0.5]
weights3 [-0.26, -0.27, 0.17, 0.87]bias1 2
bias2 3
bias3 0.5outputs [# Neuron 1:inputs[0]*weights1[0] inputs[1]*weights1[1] inputs[2]*weights1[2] inputs[3]*weights1[3] bias1,# Neuron 2:inputs[0]*weights2[0] inputs[1]*weights2[1] inputs[2]*weights2[2] inputs[3]*weights2[3] bias2,# Neuron 3:inputs[0]*weights3[0] inputs[1]*weights3[1] inputs[2]*weights3[2] inputs[3]*weights3[3] bias3]print(outputs:, outputs)outputs: [4.8, 1.21, 2.385]代码的可视化https://nnfs.io/mxo/
在这段代码中我们有三组权重和三个偏差它们定义了三个神经元。每个神经元都“连接”到相同的输入。不同之处在于每个神经元对输入应用的权重和偏差是分开的。这称为全连接神经网络——当前层的每个神经元都与前一层的每个神经元相连。这是一种非常常见的神经网络类型但应该注意并非一定要像这样完全连接。到目前为止我们只展示了一个包含很少神经元的单层的代码。想象一下编码更多层和更多神经元这将变得非常具有挑战性。相对于使用我们当前的方法我们可以使用循环来扩展并动态处理输入和层的大小。我们已将分开的权重变量转换为一个权重列表这样我们可以遍历它们并且我们改变了代码使用循环而不是硬编码的操作。
inputs [1, 2, 3, 2.5]
weights [[0.2, 0.8, -0.5, 1],[0.5, -0.91, 0.26, -0.5],[-0.26, -0.27, 0.17, 0.87]]
biases [2, 3, 0.5]# Output of current layer
layer_outputs []
# For each neuron
for neuron_weights, neuron_bias in zip(weights, biases):# Zeroed output of given neuronneuron_output 0# For each input and weight to the neuronfor n_input, weight in zip(inputs, neuron_weights):# Multiply this input by associated weight# and add to the neuron’s output variableneuron_output neuron_output n_input*weight# Add biasneuron_output neuron_output n_input*weight# Put neuron’s result to the layer’s output listlayer_outputs.append(neuron_output)print(layer_outputs:, layer_outputs)print(list(zip(weights, biases)))
print(list(zip(weights, biases))[0])
print(type(list(zip(weights, biases))[0]))layer_outputs: [4.8, 1.21, 2.385][([0.2, 0.8, -0.5, 1], 2), ([0.5, -0.91, 0.26, -0.5], 3), ([-0.26, -0.27, 0.17, 0.87], 0.5)]
([0.2, 0.8, -0.5, 1], 2)
class tuple这做的和之前一样只是以一种更动态和可扩展的方式。如果你在某个步骤感到困惑可以打印print()出对象来看看它们是什么以及发生了什么。zip()函数让我们能够同时迭代多个可迭代对象在这种情况下是列表。再次说明我们所做的就是对每个神经元上述代码中的外层循环遍历神经元的权重和偏差取每个输入值与该输入相关联的权重相乘上述代码中的内层循环遍历输入和权重将所有这些相加然后在最后加上一个偏差。最后将神经元的输出发送到层的输出列表中。
