***14 ***代碼：一個(gè)完整的神經(jīng)網(wǎng)絡(luò)

我們終于可以實(shí)現(xiàn)一個(gè)完整的神經(jīng)網(wǎng)絡(luò)了：

import numpy as np
defsigmoid(x):# Sigmoid activation function: f(x) = 1 / (1 + e^(-x))  return 1 / (1 + np.exp(-x))
defderiv_sigmoid(x):  # Derivative of sigmoid: f'(x) = f(x) * (1 - f(x))  fx = sigmoid(x)  return fx * (1 - fx)
defmse_loss(y_true, y_pred):  # y_true和y_pred是相同長(zhǎng)度的numpy數(shù)組。  return ((y_true - y_pred) ** 2).mean()
classOurNeuralNetwork:  '''  A neural network with:    - 2 inputs    - a hidden layer with 2 neurons (h1, h2)    - an output layer with 1 neuron (o1)
  *** 免責(zé)聲明 ***:    下面的代碼是為了簡(jiǎn)單和演示，而不是最佳的。    真正的神經(jīng)網(wǎng)絡(luò)代碼與此完全不同。不要使用此代碼。    相反，讀/運(yùn)行它來(lái)理解這個(gè)特定的網(wǎng)絡(luò)是如何工作的。  '''  def__init__(self):    # 權(quán)重，Weights    self.w1 = np.random.normal()    self.w2 = np.random.normal()    self.w3 = np.random.normal()    self.w4 = np.random.normal()    self.w5 = np.random.normal()    self.w6 = np.random.normal()
    # 截距項(xiàng)，Biases    self.b1 = np.random.normal()    self.b2 = np.random.normal()    self.b3 = np.random.normal()
  deffeedforward(self, x):    # X是一個(gè)有2個(gè)元素的數(shù)字?jǐn)?shù)組。    h1 = sigmoid(self.w1 * x[0] + self.w2 * x[1] + self.b1)    h2 = sigmoid(self.w3 * x[0] + self.w4 * x[1] + self.b2)    o1 = sigmoid(self.w5 * h1 + self.w6 * h2 + self.b3)    return o1
  deftrain(self, data, all_y_trues):    '''    - data is a (n x 2) numpy array, n = # of samples in the dataset.    - all_y_trues is a numpy array with n elements.      Elements in all_y_trues correspond to those in data.    '''    learn_rate = 0.1    epochs = 1000 # 遍歷整個(gè)數(shù)據(jù)集的次數(shù)
    for epoch in range(epochs):      for x, y_true in zip(data, all_y_trues):        # --- 做一個(gè)前饋(稍后我們將需要這些值)        sum_h1 = self.w1 * x[0] + self.w2 * x[1] + self.b1        h1 = sigmoid(sum_h1)
        sum_h2 = self.w3 * x[0] + self.w4 * x[1] + self.b2        h2 = sigmoid(sum_h2)
        sum_o1 = self.w5 * h1 + self.w6 * h2 + self.b3        o1 = sigmoid(sum_o1)        y_pred = o1
        # --- 計(jì)算偏導(dǎo)數(shù)。        # --- Naming: d_L_d_w1 represents "partial L / partial w1"        d_L_d_ypred = -2 * (y_true - y_pred)
        # Neuron o1        d_ypred_d_w5 = h1 * deriv_sigmoid(sum_o1)        d_ypred_d_w6 = h2 * deriv_sigmoid(sum_o1)        d_ypred_d_b3 = deriv_sigmoid(sum_o1)
        d_ypred_d_h1 = self.w5 * deriv_sigmoid(sum_o1)        d_ypred_d_h2 = self.w6 * deriv_sigmoid(sum_o1)
        # Neuron h1        d_h1_d_w1 = x[0] * deriv_sigmoid(sum_h1)        d_h1_d_w2 = x[1] * deriv_sigmoid(sum_h1)        d_h1_d_b1 = deriv_sigmoid(sum_h1)
        # Neuron h2        d_h2_d_w3 = x[0] * deriv_sigmoid(sum_h2)        d_h2_d_w4 = x[1] * deriv_sigmoid(sum_h2)        d_h2_d_b2 = deriv_sigmoid(sum_h2)
        # --- 更新權(quán)重和偏差        # Neuron h1        self.w1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w1        self.w2 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w2        self.b1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_b1
        # Neuron h2        self.w3 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w3        self.w4 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w4        self.b2 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_b2
        # Neuron o1        self.w5 -= learn_rate * d_L_d_ypred * d_ypred_d_w5        self.w6 -= learn_rate * d_L_d_ypred * d_ypred_d_w6        self.b3 -= learn_rate * d_L_d_ypred * d_ypred_d_b3
      # --- 在每次epoch結(jié)束時(shí)計(jì)算總損失       if epoch % 10 == 0:        y_preds = np.apply_along_axis(self.feedforward, 1, data)        loss = mse_loss(all_y_trues, y_preds)        print("Epoch %d loss: %.3f" % (epoch, loss))
# 定義數(shù)據(jù)集data = np.array([  [-2, -1],  # Alice  [25, 6],   # Bob  [17, 4],   # Charlie  [-15, -6], # Diana])all_y_trues = np.array([  1, # Alice  0, # Bob  0, # Charlie  1, # Diana])
# 訓(xùn)練我們的神經(jīng)網(wǎng)絡(luò)!network = OurNeuralNetwork()network.train(data, all_y_trues)

現(xiàn)在我們可以用這個(gè)網(wǎng)絡(luò)來(lái)預(yù)測(cè)性別了：

# 做一些預(yù)測(cè)emily = np.array([-7, -3]) # 128 磅, 63 英寸frank = np.array([20, 2])  # 155 磅, 68 英寸print("Emily: %.3f" % network.feedforward(emily)) # 0.951 - Fprint("Frank: %.3f" % network.feedforward(frank)) # 0.039 - M

*15 ***** 接下來(lái)？

搞定了一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，快速回顧一下：

• 介紹了神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)——神經(jīng)元；
• 在神經(jīng)元中使用S型激活函數(shù)；
• 神經(jīng)網(wǎng)絡(luò)就是連接在一起的神經(jīng)元；
• 構(gòu)建了一個(gè)數(shù)據(jù)集，輸入（或特征）是體重和身高，輸出（或標(biāo)簽）是性別；
• 學(xué)習(xí)了損失函數(shù)和均方差損失；
• 訓(xùn)練網(wǎng)絡(luò)就是最小化其損失；
• 用反向傳播方法計(jì)算偏導(dǎo)；
• 用隨機(jī)梯度下降法訓(xùn)練網(wǎng)絡(luò)；

接下來(lái)你還可以：

• 用機(jī)器學(xué)習(xí)庫(kù)實(shí)現(xiàn)更大更好的神經(jīng)網(wǎng)絡(luò)，例如TensorFlow、Keras和PyTorch；
• 其他類型的激活函數(shù)；
• 其他類型的優(yōu)化器；
• 學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)，這給計(jì)算機(jī)視覺(jué)領(lǐng)域帶來(lái)了革命；
• 學(xué)習(xí)遞歸神經(jīng)網(wǎng)絡(luò)，常用于自然語(yǔ)言處理；