@TOC

前言

在工作中学习中，最新AI、神经网络等比较实用，没啥事了解一点呗，又不掉血不掉肉的，那就开始学起吧，与诸君共勉。

1、封装成一个独立且易于使用的神经网络模型

  • 为了将提供的代码片段，我们需要首先引入必要的库，然后定义所需的激活函数（如sigmoid函数和恒等函数），最后将init_network()和forward()函数整合到一个类或模块中。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
//这段代码首先导入了numpy库来处理数学运算，接着定义了两个激活函数：sigmoid函数和恒等函数。然后，我们创建了一个名为`SimpleNeuralNetwork`的类，它包含了网络的初始化和前向传播过程。在类的构造函数中，我们初始化了网络参数。在`forward`方法中，我们实现了前向传播算法。
import numpy as np

# 定义sigmoid激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义恒等激活函数，用于输出层
def identity_function(x):
    return x

class SimpleNeuralNetwork:
    def __init__(self):
        # 初始化网络参数
        self.network = self.init_network()
    
    def init_network(self):
        """
        初始化神经网络的权重和偏置
        """
        network = {}
        network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
        network['b1'] = np.array([0.1, 0.2, 0.3])
        network['W2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
        network['b2'] = np.array([0.1, 0.2])
        network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
        network['b3'] = np.array([0.1, 0.2])
        return network

    def forward(self, x):
        """
        前向传播
        """
        W1, W2, W3 = self.network['W1'], self.network['W2'], self.network['W3']
        b1, b2, b3 = self.network['b1'], self.network['b2'], self.network['b3']
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        z2 = sigmoid(a2)
        a3 = np.dot(z2, W3) + b3
        y = identity_function(a3)
        return y

# 使用定义的神经网络
if __name__ == '__main__':
    neural_network = SimpleNeuralNetwork()
    x = np.array([1.0, 0.5])
    y = neural_network.forward(x)
    print(y)  # 输出: [0.31682708 0.69627909]

2.比较糙的代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
//这里定义了init_network()和forward()函数。init_network()函数会进行权重和偏置的初始化，并将它们保存在字典变量network中。这个字典变量network中保存了每一层所需的参数（权重和偏置）。
def init_network():
 network = {}
 network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
 network['b1'] = np.array([0.1, 0.2, 0.3])
 network['W2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
 network['b2'] = np.array([0.1, 0.2])
 network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
network['b3'] = np.array([0.1, 0.2])
 return network
//forward()函数中则封装了将输入信号转换为输出信号的处理过程。
另外，这里出现了forward（前向）一词，它表示的是从输入到输出方向
的传递处理。
def forward(network, x):
 W1, W2, W3 = network['W1'], network['W2'], network['W3']
 b1, b2, b3 = network['b1'], network['b2'], network['b3']
 a1 = np.dot(x, W1) + b1
 z1 = sigmoid(a1)
 a2 = np.dot(z1, W2) + b2
 z2 = sigmoid(a2)
 a3 = np.dot(z2, W3) + b3
 y = identity_function(a3)
 return y
network = init_network()
x = np.array([1.0, 0.5])
y = forward(network, x)
print(y) # [ 0.31682708 0.69627909]


巨人的肩膀