Experimento de aprendizaje profundo: use numpy para construir una red neuronal de avance simple FNN

Experimento de aprendizaje profundo: use numpy para construir una red neuronal de avance simple FNN

　　Las notas tomadas al aprender el aprendizaje profundo en Tianchi simplemente implementaron un FNN (muy simple) y guárdelo como nota.

Mapa lógico de realización experimental

Código de experimento

# Author:JinyuZ1996
# Creation date:2020/8/24 10:28

import numpy as np

# 一个基本的5输入单元*4神经元*2输出单元的简单网络

x = np.array([0.5, 0.4, 0.3, 0.4, 0.5])  # 输入层有5个输入,[1*5](1指的是样本的维度，5指的是样本的数量，现在样本只是一维的所以可以看成是一个向量而非矩阵)
w = np.array([[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]])  # 第一层隐藏层有4个神经元所以权重应该为[5*4]
A = np.dot(x, w)  # dot函数做的就是将权重相乘后相加，相当于算出了净输入
print(A)  # 打印出来看看


def sigmoid(z):  # 定义简单的激活函数（哲理写出来的是Logistic函数）
    return 1 / (1 + np.exp(-z))


fade_1 = sigmoid(A)  # 使用激活函数激活净输入Z
print(fade_1)  # 打印出Z看看，这就是我们隐藏层神经元的值了[1*4]他将作为下一层的输入

w2 = np.array([[3, 2], [3, 2], [2, 3], [1, 1]])  # 权重应该为[4*2]
Y = np.dot(fade_1, w2)  # 计算出输出值的净输入
print(Y)  # 打印出来看看


def softmax(z):  # 二分类问题常用softmax做归一化处理（但要根据样本的维度分情况讨论，现在的输入Y是1维向量）返回的是一个概率分布的结果，值域在[0,1]之间
    if z.ndim == 2:
        z = z.T  # 转置一下
        z = z - np.max(z, axis=0)  # 减去该列向量上最大的值防止指数运算爆炸
        y = np.exp(z) / np.sum(np.exp(z), axis=0)
        return y.T
    else:
        y = np.exp(z) / np.sum(np.exp(z), axis=0)
        return y.T


print(softmax(Y))    # 输出2分类的预测值

Resultados experimentales