這是網(wǎng)友@Sumanth_077 在網(wǎng)絡(luò)上的分享整理而成，他手把手教你如何從零開(kāi)始用 Python 構(gòu)建神經(jīng)網(wǎng)絡(luò)，過(guò)程清晰簡(jiǎn)潔，非常適合對(duì)初學(xué)者學(xué)習(xí)。

@Sumanth_077 介紹了一個(gè)包含兩個(gè)層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：一個(gè)隱藏層和一個(gè)輸出層。

初始化

在初始化階段，需要設(shè)定層的大小、權(quán)重和偏置。同時(shí)，定義 sigmoid 激活函數(shù)及其導(dǎo)數(shù)。以下是相關(guān)的代碼示例：

前向傳播

前向傳播是將輸入數(shù)據(jù)通過(guò)神經(jīng)網(wǎng)絡(luò)，最終得到預(yù)測(cè)輸出。這一步可是神經(jīng)網(wǎng)絡(luò)的心臟哦！

反向傳播

了解了前向傳播后，接下來(lái)我們探討如何通過(guò)反向傳播優(yōu)化模型。反向傳播用于計(jì)算輸出層的梯度，并進(jìn)一步計(jì)算損失函數(shù)對(duì)權(quán)重和偏置的梯度。

權(quán)重更新

權(quán)重更新是使用學(xué)習(xí)率來(lái)調(diào)整權(quán)重，這是模型性能提升的關(guān)鍵步驟。

訓(xùn)練方法

訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要多次迭代前向傳播和反向傳播過(guò)程，以下是訓(xùn)練方法的代碼示例：

預(yù)測(cè)函數(shù)

最后，使用預(yù)測(cè)函數(shù)對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)，只需要進(jìn)行一次前向傳播。

本文轉(zhuǎn)載自 ??AI工程化??，作者： ully