手把手教你用Python创建简单的神经网络(附代码)

人工智能 深度学习 后端
了解神经网络工作方式的最佳途径莫过于亲自创建一个神经网络,本文将演示如何做到这一点。

 [[251984]]

了解神经网络工作方式的***途径莫过于亲自创建一个神经网络,本文将演示如何做到这一点。

神经网络(NN)又称人工神经网络(ANN),是机器学习领域中基于生物神经网络概念的学习算法的一个子集。

拥有五年以上经验的德国机器学习专家Andrey Bulezyuk声称:“神经网络正在彻底改变机器学习,因为它们能够在广泛的学科和行业中为抽象对象高效建模。”

人工神经网络基本上由以下组件组成:

  •  输入层:接收并传递数据
  •  隐藏层
  •  输出层
  •  各层之间的权重
  •  每个隐藏层都有一个激活函数。在这个简单的神经网络Python教程中,我们将使用Sigmoid激活函数。

神经网络有多种类型。在本项目中,我们将创建前馈或感知神经网络。这种类型的ANN直接将数据从前向后传递。

前馈神经元的训练往往需要反向传播,它为网络提供了相应的输入和输出集。当输入数据被传送到神经元时,经过处理后,产生一个输出。

下面的图表显示了一个简单的神经网络的结构:

了解神经网络如何工作的***方法是学习如何从头开始构建神经网络(而不是采用任何库)。

在本文中,我们将演示如何利用Python编程语言创建一个简单的神经网络。

问题

如下是一个展示问题的表格。

我们将提供一个新的数据集,利用它训练神经网络,从而能够预测正确的输出值。

正如上表所示,输出值总是等于输入部分中的***个值。因此,我们期望输出的值为1。

让我们看看是否可以使用Python代码来得出相同的结果(你可以在本文末尾仔细阅读这个项目的代码,然后再继续阅读本文)。

创建一个NeuralNetwork类

我们将用Python创建一个NeuralNetwork类来训练神经元,以期给出准确的预测。这个类还会有其他的帮助函数。

即使我们不会在这个简单的神经网络示例中使用神经网络库,我们也将导入numpy库来辅助计算。

numpy库提供了以下四种重要方法:

  •  exp—用于生成自然指数
  •  array—用于生成矩阵
  •  dot—用于矩阵相乘
  •  random—用于生成随机数。请注意,我们将生成随机数,以确保它们的有效分布。

1. 应用Sigmoid函数

我们将使用Sigmoid函数,来绘制一个特征“S”型曲线,作为神经网络的激活函数。

此函数可以将任何值映射到0到1之间的值,它将有助于我们对输入的加权和归一化。

此后,我们将创建Sigmoid函数的导数,以帮助计算权重的调整参数。

可以利用Sigmoid函数的输出来生成它的导数。例如,如果输出变量为“x”,则其导数为x*(1-x)。

2. 训练模型

这是我们教神经网络做出准确预测的阶段。每个输入都有一个权重-可为正值或负值。这意味着:有较大的正权重或负权重的输入会对结果的输出产生更大的影响。请记住,我们最初是通过为每个随机数分配一个权重后开始的。

下面是这个神经网络示例的训练过程:

***步:从训练数据集中提取输入,根据训练数据集的权重进行调整,并通过一种计算神经网络输出的方法对其进行筛选。

第二步:计算反向传播错误率。在这种情况下,它是神经元的预测输出与训练数据集的期望输出之间的差异。

第三步:利用误差加权导数公式,根据所得到的误差范围,进行了一些较小的权值调整。

第四步:对这一过程进行15000次迭代。在每次迭代中,整个训练集被同时处理。

我们使用“.T”函数将矩阵从水平位置转换为垂直位置。因此,数字将以如下方式存储: 

最终,神经元的权重将根据所提供的训练数据进行优化。随后,如果让神经元考虑一个新的状态,与先前的状态相同,它便可以作出一个准确的预测。这就是反向传播的方式。

打包运行

***,NeuralNetwork类初始化成功后,可以运行代码了。

下面是如何在Python项目中创建神经网络的完整代码:   

  1. import numpy as np   
  2.     class NeuralNetwork():     
  3.         def __init__(self):  
  4.             # seeding for random number generation  
  5.             np.random.seed(1)    
  6.             #converting weights to a 3 by 1 matrix with values from -1 to 1 and mean of 0  
  7.             self.synaptic_weights = 2 * np.random.random((3, 1)) - 1     
  8.         def sigmoid(self, x):  
  9.             #applying the sigmoid function  
  10.             return 1 / (1 + np.exp(-x))    
  11.         def sigmoid_derivative(self, x):  
  12.             #computing derivative to the Sigmoid function  
  13.             return x * (1 - x)     
  14.         def train(self, training_inputs, training_outputs, training_iterations):      
  15.             #training the model to make accurate predictions while adjusting weights continually  
  16.             for iteration in range(training_iterations):  
  17.                 #siphon the training data via  the neuron  
  18.                 output = self.think(training_inputs)     
  19.                 #computing error rate for back-propagation  
  20.                 error = training_outputs - output    
  21.                 #performing weight adjustments  
  22.                 adjustments = np.dot(training_inputs.T, error * self.sigmoid_derivative(output))    
  23.                 self.synaptic_weights += adjustments     
  24.         def think(self, inputs):  
  25.             #passing the inputs via the neuron to get output     
  26.             #converting values to floats   
  27.             inputsinputs = inputs.astype(float)  
  28.             output = self.sigmoid(np.dot(inputs, self.synaptic_weights))  
  29.             return output  
  30.     if __name__ == "__main__":  
  31.         #initializing the neuron class  
  32.         neural_network = NeuralNetwork()  
  33.         print("Beginning Randomly Generated Weights: ")  
  34.         print(neural_network.synaptic_weights)  
  35.         #training data consisting of 4 examples--3 input values and 1 output  
  36.         training_inputs = np.array([[0,0,1],  
  37.                                     [1,1,1],  
  38.                                     [1,0,1],  
  39.                                     [0,1,1]])  
  40.         training_outputs = np.array([[0,1,1,0]]).T  
  41.         #training taking place  
  42.         neural_network.train(training_inputs, training_outputs, 15000)     
  43.         print("Ending Weights After Training: ")  
  44.         print(neural_network.synaptic_weights)     
  45.         user_input_one = str(input("User Input One: "))  
  46.         user_input_two = str(input("User Input Two: "))  
  47.         user_input_three = str(input("User Input Three: "))   
  48.         print("Considering New Situation: ", user_input_one, user_input_two, user_input_three)  
  49.         print("New Output data: ")  
  50.         print(neural_network.think(np.array([user_input_one, user_input_two, user_input_three])))  
  51.     print("Wow, we did it!") 

运行代码之后的输出: 

这样,我们便成功地创建了一个简单的神经网络。

神经元首先给自己分配一些随机权重,接着,利用训练实例进行了自我训练。

之后,如果出现新的状态[1,0,0],则它得出的数值为0.9999584。

还记得我们想要的正确答案是1吗?

这个数值非常接近,Sigmoid函数输出值在0到1之间。 

当然,在这个例子中,我们只使用一个神经元网络来完成简单的任务。如果我们把几千个人工神经网络连接在一起,情况将会是怎样呢?我们能不能完全模仿人类的思维方式呢? 

责任编辑:庞桂玉 来源: THU数据派
相关推荐

2021-08-09 13:31:25

PythonExcel代码

2017-06-23 19:08:23

大数据PyTorch自然语言

2021-05-10 06:48:11

Python腾讯招聘

2022-10-19 14:30:59

2021-12-11 20:20:19

Python算法线性

2021-02-02 13:31:35

Pycharm系统技巧Python

2011-03-28 16:14:38

jQuery

2021-02-06 14:55:05

大数据pandas数据分析

2021-02-04 09:00:57

SQLDjango原生

2017-10-29 21:43:25

人脸识别

2021-04-01 09:02:38

Python小说下载网络爬虫

2021-01-30 10:37:18

ScrapyGerapy网络爬虫

2021-03-23 09:05:52

PythonExcelVlookup

2022-08-04 10:39:23

Jenkins集成CD

2021-05-17 21:30:06

Python求均值中值

2021-02-10 09:34:40

Python文件的压缩PyCharm

2021-01-21 09:10:29

ECharts柱状图大数据

2021-01-08 10:32:24

Charts折线图数据可视化

2021-03-02 09:05:13

Python

2022-06-30 16:10:26

Python计时器装饰器
点赞
收藏

51CTO技术栈公众号