python机器学习实现神经网络示例解析_python

python

vbs DOS/BAT hta htc python perl 游戏相关 VBA 远程脚本 ColdFusion ruby专题 autoit seraphzone PowerShell linux shell Lua Golang Erlang

上一篇: python模块中pip命令的基本使用下一篇:Python学习之if 条件判断语句

python机器学习实现神经网络示例解析

发布时间：2022-04-17 发布网站：脚本宝典

脚本宝典收集整理的这篇文章主要介绍了python机器学习实现神经网络示例解析，脚本宝典觉得挺不错的，现在分享给大家，也给大家做个参考。

单神经元引论

请添加图片描述

对于如花，大美，小明三个因素是如何影响小强这个因素的。

请添加图片描述

这里用到的是多元的线性回归，比较基础

From numpy import array,exp,dot,random

其中dot是点乘
导入关系矩阵：

在这里插入图片描述

X= array ( [ [0,0,1],[1,1,1],[1,0,1],[0,1,1]])
y = array( [ [0,1,1,0]]).T ## T means "transposITion"

为了满足0到1的可能性，我们采用激活函数
matlab作图

x=[-8:0.001:8]
y=1./(1+exp(-x))
plot(x,y)
grid on
text(-6,0.8,['$\frac{1}{1+e^{-x}}$'],'interPReter','latex','fontsize',25)

请添加图片描述

然后

for it in range(10000):
	z=dot(X,weights)
    output=1/(1+exp(-z))##'dot' play role of "dot product"
    error=y-output
    delta=error*output*(1-output)
    weights+=dot(X.T,delta)

请添加图片描述

其中

delta=error*output*(1-output)

是求导的结果和误差相乘,表示梯度

请添加图片描述

具体数学流程

所以具体流程如下,X具体化了一下

请添加图片描述

error即为每个带权参数经过激活函数映射后到y结果的量化距离

在这里插入图片描述

最终代码：(PS:默认lr取1，可修改)

from numpy import array,exp,dot,random
"""
Created on vscode 10/22/2021
@author Squirre17
"""
X=array([[0,0,1],[1,1,1],[1,0,1],[0,1,1]])
y=array([[0,1,1,0]]).T ## T means "transposition"
random.seed(1)
epochs=10000
weights=2*random.random((3,1))-1## 3 row 1 line, range[-1,1)
for it in range(epochs):
    output=1/(1+exp(-dot(X,weights)))##'dot' play role of "dot product"
    error=y-output
    sloPE=output*(1-output)
    delta=error*slope
    weights+=dot(X.T,delta)

print(weights)
print(1/(1+exp( -dot([[1,0,0]], weights))))

参考

请添加图片描述

多神经元

请添加图片描述

这个意思就是两个美女XOR
单神经元没法解决，只能解决单一线性关系

请添加图片描述

在这里插入图片描述

代码如下，可自行调整epoches和lr

from numpy import array,exp,dot,random
"""
Created on vscode 10/22/2021
@author Squirre17
"""
X=array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y=array([[0,1,1,0]]).T # T means "transposition"
random.seed(1)
epochs=100000
w0=2*random.random((3,4))-1 # input layer neure
w1=2*random.random((4,1))-1 # hidden layer neure
lr=1
def fp(input):
    l1=1/(1+exp(-dot(input,w0))) # 4×4
    l2=1/(1+exp(-dot(l1,w1))) # 4×1
    return l1,l2
def bp(l1,l2,y):
    l2_error=y-l2
    l2_slope=l2*(1-l2)
    l1_delta=l2_error*l2_slope*lr # 4×1
    l1_error=l1_delta.dot(w1.T)
    l1_slope=l1*(1-l1)
    l0_delta=l1_error*l1_slope*lr
    return l0_delta,l1_delta
for it in range(epochs):
    l0=X
    l1,l2=fp(l0)
    l0_delta,l1_delta=bp(l1,l2,y)
    w1+=dot(l1.T,l1_delta) # 4×4 4×1 # adjust w1 according to loss
    w0+=dot(l0.T,l0_delta)
print(fp([[1,0,0]])[1])

其中关于l1_error=l1_delta.dot(w1.T)，就是第三层的误差反向加权传播给第二层

请添加图片描述