|
|
马上注册，结交更多好友，享用更多功能^_^
您需要 登录 才可以下载或查看，没有账号？立即注册
x
现在神经网络、机器学习、深度学习逐渐成为未来计算机发展的大趋势。
今天就通过一个很简单的小例子，浅谈一下如何用python实现多层神经网络的机器学习。
神经网络（Neural Networks）属于 机器学习（Machine Learning）的一种。
深层神经网络（Deep Neural Networks）也只是 深层学习（Deep Learning） 的一种。
"深度学习"是为了让层数较多的多层神经网络可以训练，能够work而演化出来的一系列的 新的结构和新的方法。
好吧，太复杂的概念大家可以google，这里举个简单的例子说明：
例如，
有一组输入：X = 1，2，3，4，5，6，7，8，9，10
有一组输出：Y = 10，20，30，40，50，60，70，80，90，100
求解：Y = k*X + b 中的 k 和 b 为何值时，函数拟合最好。
当然，这是非常简单的题目，用脚趾头想都能知道这个函数当然应该是 Y = 10 * X + 0，即 k = 10， b = 0.
那么用神经网络学习应该如何实现呢？
卖个关子。
我们先看结果吧：
当学习次数为100时，程序输出：
k=9.999852648623337 b=0.0007369339496443169
当学习次数为10000时，程序输出：
k=9.999866463857986 b=0.0007360277038955244
当学习次数为1000000时，程序输出：
k=9.999935468934599 b=0.0003552889884596963
可以看到随着学习次数的增加，输出值会无限接近标准值（但是永远也打不到标准值，因为机器学习的特点就是根据偏差值不断调整自身参数，以不断减小误差，但是误差是永远存在的。）
下面详细解释程序代码：
首先，我们要定义一个函数，这个函数的作用是能够把输入值转化为一个0~1之间的数，并且当输入值与0的差值越大，输出越接近1，输入值越接近0时，输入值也越接近于0. 这个函数的作用就是用来调整机器本身参数，使结果更加接近于标准值。
那么，我们这个函数F（x）= (e^x -1) / (e^x + 1) 就符合这样的要求，其中x>=0（取绝对值）。
def F(x):
return (math.exp(abs(x))-1)/(math.exp(abs(x))+1)
然后当然要把X和Y以列表的形式放入以便机器学习使用。
X = list(range(1,11))
Y = list(range(10,110,10))
由于有k和b 2个未知数，我们设定一个二层的神经网络。
把X作为第一层输入，k*X作为第一层的输出
把k*X作为第二层输入，k*X+b作为第二层的输出
利用k*X与Y-b计算第一层的偏差值error1，代入F（error1）计算权重，然后把这个权重值*error1作为k值的调整值
同样，利用k*X+b与Y计算第二层的偏差值error2，代入F（error2）计算权重，再把这个权重值*error2作为b值的调整值
然后，不断反复迭代这个过程，使得k和b不断接近标准值。
这个过程就是这样。
20行源代码如下：
|
评分
-
查看全部评分
|
[复制链接]
( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)
狗仔卡
发表于 2017-1-23 16:41:58
置顶卡
千斤顶
显身卡
发表于 2017-1-23 22:12:44