神经网络|神经网络原来这么简单，机器学习入门贴送给你
白交 发自 凹非寺
量子位 报道 | 公众号 QbitAI
你想学机器学习吗？这里有一个入门贴适合你 。
什么神经网络、随机森林、计算机视觉通通一网打尽 。
这个Facebook软件工程师做了一个入门贴 。
专为基础为零的初学者打造 。
有基础的同学 ， 也可以来看看加深一下理解 。
本文插图
我们就以神经网络为例先来一睹为快吧！
神经网络概论
作者说 ， 神经网络并不复杂！
“神经网络”一词很流行 ， 人们通常认为它很难 ， 但其实要简单得多 。
是不是这样呢？先看再说 。
神经网络的理解主要分为三个部分 ， 神经元、神经网络的构建、训练神经网络 。
神经元——神经网络的基本单元
本文插图
这是2-input神经元的样子 。
首先神经元接受输入x1、x2 ， 进行一些数学运算以后 ， 然后产生一个输出y 。
在神经元里 ， 通常会发生三件事：
1、每个输入乘以相应的权重；
本文插图
2、将所有加权输入加在一起 ， 在加上一个偏差b；
本文插图
3、导入一个激活函数 ， 得到输出y 。
本文插图
通常来说 ， 激活函数使用Sigmoid函数 ， 也就是常说的S型函数 ， 输入任意值（-∞ ， +∞） ， 最后输出都能停留在0-1之间 。
本文插图
对此 ， 他还举了一个简单的例子 。
以激活函数是S型函数、2输入神经元为例 ， 设置参数 w=[0,1] （w1=0 ， w2=1） ， b=4 。
input：x=[2,3]
output：y=0.999
本文插图
这也就是最为朴素的神经网络——前馈神经网络 。
对此 ， 作者还用Python实现了整个过程 。
import numpy as np
def sigmoid(x):
# Our activation function: f(x) = 1 / (1 + e^(-x))
return 1 / (1 + np.exp(-x))
class Neuron:
def __init__(self, weights, bias):
self.weights = weights
self.bias = bias
def feedforward(self, inputs):
# Weight inputs, add bias, then use the activation function
total = np.dot(self.weights, inputs) + self.bias
return sigmoid(total)
weights = np.array([0, 1]) # w1 = 0, w2 = 1
bias = 4# b = 4
n = Neuron(weights, bias)
x = np.array([2, 3])# x1 = 2, x2 = 3
print(n.feedforward(x))# 0.9990889488055994
构建神经网络
神经元连接在一起就是神经网络 。
本文插图
两个输入 ， 一个含有两个神经元的隐藏层 ， 一个含有1个神经元的输出层就构建了一个神经网络 。
需要注意的是 ， 可以用多层隐藏层 。 就比如 ， 像这样：
推荐阅读
- 中年|探索城市的“未来模样”，腾讯政务接下来这么干
- |为什么我店铺流量狂掉？淘宝竞争这么激烈还能不能做？
- work|分布式系统设计理念为何这么难学？
- 中国电子报|关于5G R16标准和车联网，中国联通这么看
- 青年|辣妈这么有气质，看不出有40岁了吧
- |为什么开车会这么累，到底是哪里出了问题？
- GPD掌机|终于明白PS4不开机的原因了，原来中年人是这样玩游戏的
- 中年|现实生活中的“卡通房子”，原来海绵宝宝的“菠萝屋”，真的存在！
- 中年|吃葡萄干前到底用不用洗？很多人原来都吃错了，来看看专家怎么说
- 三星手机|论视频拍摄稳定性，这四大热门手机实力竟相差这么多