如何用Python代码搭建神经网络来掌握一些基本概念

这篇文章将为大家详细讲解有关如何用Python代码搭建神经网络来掌握一些基本概念，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

这里的“用Python”指的就是不用那些现成的神经网络库比如Keras、Tensorflow等，否则连9行都不用了。

本文我会解释这个神经网络是怎样炼成的，所以你也可以搭建你自己的神经网络。也会提供一个加长版、但是也更漂亮的源代码。

不过首先，什么是神经网络？人脑总共有超过千亿个神经元细胞，通过神经突触相互连接。如果一个神经元被足够强的输入所激活，那么它也会激活其他神经元，这个过程就叫“思考”。

我们可以在计算机上创建神经网络，来对这个过程进行建模，且并不需要模拟分子级的生物复杂性，只要观其大略即可。为了简化起见，我们只模拟一个神经元，含有三个输入和一个输出。

我们将训练这个神经元来解决下面这个问题，前四个样本叫作“训练集”，你能求解出模式吗？?处应该是0还是1呢？

或许已经发现了，输出总是与第一列的输入相等，所以?应该是1。

训练过程

问题虽然很简单，但是如何教会神经元来正确的回答这个问题呢？我们要给每个输入赋予一个权重，权重可能为正也可能为负。权重的绝对值，代表了输入对输出的决定权。在开始之前，我们先把权重设为随机数，再开始训练过程：

1. 从训练集样本读取输入，根据权重进行调整，再代入某个特殊的方程计算神经元的输出。

2. 计算误差，也就是神经元的实际输出和训练样本的期望输出之差。

3. 根据误差的方向，微调权重。

4. 重复10000次。

最终神经元的权重会达到训练集的最优值。如果我们让神经元去思考一个新的形势，遵循相同过程，应该会得到一个不错的预测。

计算神经元输出的方程

你可能会好奇，计算神经元输出的人“特殊方程”是什么？首先我们取神经元输入的加权总和：

为什么是这个方程？首先我们希望调整量与误差量成正比，然后再乘以输入(0-1)。如果输入为0，那么权重就不会被调整。最后乘以Sigmoid曲线的梯度，为便于理解，请考虑：

1. 我们使用Sigmoid曲线计算神经元输出。

2. 如果输出绝对值很大，这就表示该神经元是很确定的（有正反两种可能）。

3. Sigmoid曲线在绝对值较大处的梯度较小。

4. 如果神经元确信当前权重值是正确的，那么就不需要太大调整。乘以Sigmoid曲线的梯度可以实现。

实际上也有其他让神经元学习更快的方程，这里主要是取其相对简单的优势。

构建Python代码

尽管我们不直接用神经网络库，但还是要从Python数学库Numpy中导入4种方法：

• exp： 自然对常数

• array： 创建矩阵

• dot：矩阵乘法

• random： 随机数

比如我们用array()方法代表训练集：

.T函数就是矩阵转置。我想现在可以来看看美化版的源代码了，最后我还会提出自己的终极思考。源代码中已经添加了注释逐行解释。注意每次迭代我们都一并处理了整个训练集，以下为完整的Python示例：

（Kaiser：讲的是将代码写入本地main.py文件，再在终端中运行python main.py，这里只需点击运行即可。）

我们用Python打造了一个简单的神经网络。

首先神经网络给自己赋予随机的权重值，然后用训练集训练自己，最后去思考新的形势[1 0 0]并预测了0.99993704，这与正确答案非常接近。

传统的计算机程序无法学习，神经网络的最大魅力就在于学习能力，可以自主适应新形势，就像人的心智一样。当然，仅仅一个神经元只能完成特别简单的任务，但如果我们把上百万个如此的神经元连接起来呢？能否有朝一日制造出具有自我意识的东西？

关于如何用Python代码搭建神经网络来掌握一些基本概念就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。