神经网络原来这么简单，机器学习入门贴送给你 | 干货

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

你想学机器学习吗？这里有一个入门贴适合你。

什么神经网络、随机森林、计算机视觉通通一网打尽。

这个Facebook软件工程师做了一个入门贴。

专为基础为零的初学者打造。

有基础的同学，也可以来看看加深一下理解。

我们就以神经网络为例先来一睹为快吧！

神经网络概论

作者说，神经网络并不复杂！

“神经网络”一词很流行，人们通常认为它很难，但其实要简单得多。

是不是这样呢？先看再说。

神经网络的理解主要分为三个部分，神经元、神经网络的构建、训练神经网络。

神经元——神经网络的基本单元    

这是2-input神经元的样子。

首先神经元接受输入x1、x2，进行一些数学运算以后，然后产生一个输出y。

在神经元里，通常会发生三件事：

1、每个输入乘以相应的权重；

2、将所有加权输入加在一起，在加上一个偏差b；

3、导入一个激活函数，得到输出y。

通常来说，激活函数使用Sigmoid函数，也就是常说的S型函数，输入任意值（-∞，+∞），最后输出都能停留在0-1之间。

对此，他还举了一个简单的例子。

以激活函数是S型函数、2输入神经元为例，设置参数 w=[0,1] （w1=0，w2=1），b=4。

input：x=[2,3]

output：y=0.999

这也就是最为朴素的神经网络——前馈神经网络。

对此，作者还用Python实现了整个过程。

import numpy as np  def sigmoid(x):   # Our activation function: f(x) = 1 / (1 + e^(-x))   return 1 / (1 + np.exp(-x))  class Neuron:   def __init__(self, weights, bias):     self.weights = weights     self.bias = bias    def feedforward(self, inputs):     # Weight inputs, add bias, then use the activation function     total = np.dot(self.weights, inputs) + self.bias     return sigmoid(total)  weights = np.array([0, 1]) # w1 = 0, w2 = 1 bias = 4                   # b = 4 n = Neuron(weights, bias)  x = np.array([2, 3])       # x1 = 2, x2 = 3 print(n.feedforward(x))    # 0.9990889488055994   构建神经网络

神经元连接在一起就是神经网络。

两个输入，一个含有两个神经元的隐藏层，一个含有1个神经元的输出层就构建了一个神经网络。

需要注意的是，可以用多层隐藏层。就比如，像这样：

我们仍以上个示例的条件为例。

一个神经网络可以包含任意数量的层和任意数量的神经元。

以Python代码示例如下：

import numpy as np  # ... code from previous section here  class OurNeuralNetwork:   '''   A neural network with:     - 2 inputs     - a hidden layer with 2 neurons (h1, h2)     - an output layer with 1 neuron (o1)   Each neuron has the same weights and bias:     - w = [0, 1]     - b = 0   '''   def __init__(self):     weights = np.array([0, 1])     bias = 0      # The Neuron class here is from the previous section     self.h1 = Neuron(weights, bias)     self.h2 = Neuron(weights, bias)     self.o1 = Neuron(weights, bias)    def feedforward(self, x):     out_h1 = self.h1.feedforward(x)     out_h2 = self.h2.feedforward(x)      # The inputs for o1 are the outputs from h1 and h2     out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))      return out_o1  network = OurNeuralNetwork() x = np.array([2, 3]) print(network.feedforward(x)) # 0.7216325609518421  训练神经网路——计算损失函数

假设，我们正在处理以下这个项目。通过人员的体重和身高来判断性别。

以weight、height作为输入，以gender作为输出。

将Male设置为0，Female设置为1，还对其余数据进行了简化。

在训练神经网络之前，首先需要一个方法来量化它做得有多“好”，是否能够做得“更好”，那就是损失函数（loss）。

这里，我们将使用损失函数的一种——均方误差来计算。

预测结果越好，说明损失也就会越低。而训练神经网络的目的，就在于尽可能的减少损失。

如果我们确信所有的人都是Male，也就是说预测值为0，会出现什么样的结果？

Python示例：

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!