有個事情可能會讓初學者驚訝：神經(jīng)網(wǎng)絡(luò)模型并不復(fù)雜！『神經(jīng)網(wǎng)絡(luò)』這個詞讓人覺得很高大上，但實際上神經(jīng)網(wǎng)絡(luò)算法要比人們想象的簡單。

這篇文章完全是為新手準備的。我們會通過用Python從頭實現(xiàn)一個神經(jīng)網(wǎng)絡(luò)來理解神經(jīng)網(wǎng)絡(luò)的原理。本文的脈絡(luò)是：

1. 介紹了神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)——神經(jīng)元；
2. 在神經(jīng)元中使用S型激活函數(shù)；
3. 神經(jīng)網(wǎng)絡(luò)就是連接在一起的神經(jīng)元；
4. 構(gòu)建了一個數(shù)據(jù)集，輸入（或特征）是體重和身高，輸出（或標簽）是性別；
5. 學習了損失函數(shù)和均方差損失；
6. 訓練網(wǎng)絡(luò)就是最小化其損失；
7. 用反向傳播方法計算偏導(dǎo)；
8. 用隨機梯度下降法訓練網(wǎng)絡(luò)。

***01 ***磚塊：神經(jīng)元

首先讓我們看看神經(jīng)網(wǎng)絡(luò)的基本單位，神經(jīng)元。神經(jīng)元接受輸入，對其做一些數(shù)據(jù)操作，然后產(chǎn)生輸出。例如，這是一個2-輸入神經(jīng)元：

這里發(fā)生了三個事情。首先，每個輸入都跟一個權(quán)重相乘（紅色）：

然后，加權(quán)后的輸入求和，加上一個偏差b（綠色）：

最后，這個結(jié)果傳遞給一個激活函數(shù)f：

激活函數(shù)的用途是將一個無邊界的輸入，轉(zhuǎn)變成一個可預(yù)測的形式。常用的激活函數(shù)就就是S型函數(shù)：

S型函數(shù)的值域是(0, 1)。簡單來說，就是把(?∞, +∞)壓縮到(0, 1) ，很大的負數(shù)約等于0，很大的正數(shù)約等于1。

***02 ***一個簡單的例子

假設(shè)我們有一個神經(jīng)元，激活函數(shù)就是S型函數(shù)，其參數(shù)如下：

就是以向量的形式表示?，F(xiàn)在，我們給這個神經(jīng)元一個輸入。我們用點積來表示：

當輸入是[2, 3]時，這個神經(jīng)元的輸出是0.999。給定輸入，得到輸出的過程被稱為前饋（feedforward）。

***03 ***編碼一個神經(jīng)元

讓我們來實現(xiàn)一個神經(jīng)元！用Python的NumPy庫來完成其中的數(shù)學計算：

import numpy as np
defsigmoid(x):  # 我們的激活函數(shù): f(x) = 1 / (1 + e^(-x))  return 1 / (1 + np.exp(-x))
classNeuron:  def__init__(self, weights, bias):    self.weights = weights    self.bias = bias
  deffeedforward(self, inputs):    # 加權(quán)輸入，加入偏置，然后使用激活函數(shù)    total = np.dot(self.weights, inputs) + self.bias    return sigmoid(total)
weights = np.array([0, 1]) # w1 = 0, w2 = 1bias = 4                   # b = 4n = Neuron(weights, bias)
x = np.array([2, 3])       # x1 = 2, x2 = 3print(n.feedforward(x))    # 0.9990889488055994

***04 ***把神經(jīng)元組裝成網(wǎng)絡(luò)

所謂的神經(jīng)網(wǎng)絡(luò)就是一堆神經(jīng)元。這就是一個簡單的神經(jīng)網(wǎng)絡(luò)：

這個網(wǎng)絡(luò)有兩個輸入，一個有兩個神經(jīng)元（和 ）的隱藏層，以及一個有一個神經(jīng)元（ ）的輸出層。要注意，輸入就是 和的輸出，這樣就組成了一個網(wǎng)絡(luò)。

隱藏層就是輸入層和輸出層之間的層，隱藏層可以是多層的。