零基础入门深度学习(1)

原文:https://www.zybuluo.com/hanbingtao/note/433855
作者写得还是比较详细的,大家可以去看原作者写的。

神经网络模型

最左边的为输入层,中间的为隐藏层,最后边的一层为输出层。隐藏层大于2的时候就是一个深度神经网络。在深度神经网络基础上的就是深度学了。

神经网络模型

可以看做是y = f(x1,x2,...xn)的函数,线段是这些因变量之间的制约关系,因为需要满足很多组数据,所以隐藏层的参数需要不断调整。

感知器

神经网络的组成单元——神经元,也被称为感知器。下图就是一个感知器,在写代码的时候都是依据此图进行编写,尝试画几遍,看代码的时候更容易理解。

感知器

左上1 为偏置项,用于修正一些结果。
x1,x2...xn为输入项
w1,w2等为每一个输入对应的权重
感知器的输出为一个函数(此处为 weighted sum)我觉得应该可以是任何函数,当然需要保证计算方便,也要保证将输入的使用上。
激活函数,用于将神经元的输出转换为理想的输出,如感知器的输出可能是在(-∞,∞)之间,但是我们希望转换为0-1的概率,就可以使用激活函数。

使用感知器模拟and运算

x1 x2 输出结果
0 0 0
0 1 0
1 0 0
1 1 1

则针对这个and 感知器的模型应该是下面这样子的:


and感知器
  • b是偏置项,在对应的一组(x,y)下调整b,每次调整多大?由此需要引入一个学习速率rate,调整的进度就是b = rate*误差
  • 误差的计算在当前权值下计算的输出和 理论输出的差值,如对于and 运算输入都为1时(x,y) = ((1,0),0)如果感知器的输出结果是1 则误差为0-1 。
  • 权重的调整,输入* 学习速度 * 误差(weight = weight + x * rate * 误差)

and,or感知器的实现

#实现向量之间的操作
class VectorOp(object):
    #向量点乘
    def dot(x,y):
        return sum(map(lambda item:item[0] * item[1],zip(x,y)))
    #向量加法
    def add(x,y):
        data = [d1 + d2 for (d1,d2) in zip(x,y) ]
        return data

    #向量乘标量
    def mul(v,s):
        return [e * s
                for e in v
                ]
#实现一个感知器
class Perception(object):
    #初始化参数列表,偏置变量,以及激活函数,学习效率
    def __init__(self,input_num,activor,rate):
        self.activor = activor
        self.weights = [0.0 for _ in range(input_num)]
        self.bias = 0.0
        self.rate = rate
    #输出参数,以及偏置变量
    def __str__(self):
        return "\n权重列表:{0},偏置变量:{1},学习速率:{2}".\
            format(self.weights,self.bias,self.rate)

    #输入一个数据,计算感知器结果 ,使用激活函数转换为0或者1
    def predict(self,input_vect):
        temp =  VectorOp.dot(self.weights,input_vect) + self.bias
        return self.activor(temp)

    #使用输入结合训练感知器
    def train(self,input_vecs,labels,iteration):
        #迭代次数
        for i in range(iteration):
            #使用全部数据训练感知器
            for (input_vec,label) in zip(input_vecs,labels):
                #下面这个换成self.predict(input_vec) - label  结果居然不对
                delat =label - self.predict(input_vec)
                #调整参数
                self.update_weight(input_vec,label,delat);

    #调整参数
    def update_weight(self,input_vec,label,delta):
        #weights = weight + (x * rate * delta)
        self.weights = VectorOp.add(self.weights ,
                                    VectorOp.mul(input_vec,self.rate * delta)
                                    )
        self.bias += self.rate * delta

#激活函数
def f(x):
    return 1 if x > 0 else 0
#----------------------------------分割线---------------------------------------------------------------------------------
#----------------------------------分割线---------------------------------------------------------------------------------
#----------------------------------分割线---------------------------------------------------------------------------------    
p = Perception(2,f,0.1)
#and 运算的结果
# 期望的输出列表,注意要与输入一一对应
# [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
input_vecs = [(1,1),(1,0),(0,1),(0,0)]
labels = [1,0,0,0]
p.train(input_vecs,labels,10)  #10次迭代

print(p.__str__())

print("1 and 1 = %s" % p.predict((1,1)))
print("1 and 0 = %s" % p.predict((1,0)))
print("0 and 1 = %s" % p.predict((0,1)))
print("0 and 0 = %s" % p.predict((0,0)))

print("------------下面来尝试一下or运算---------------")
input_vecs = [(1,1),(1,0),(0,1),(0,0)]
labels = [1,1,1,0]
or_p = Perception(2,f,0.1)
or_p.train(input_vecs,labels,10)
print(or_p.__str__())
print("1 or 1 = %s" % or_p.predict((1,1)))
print("1 or 0 = %s" % or_p.predict((1,0)))
print("0 or 0 = %s" % or_p.predict((0,0)))
print("0 or 1 = %s" % or_p.predict((0,1)))

运行结果:

权重列表:[0.1, 0.2],偏置变量:-0.2,学习速率:0.1
1 and 1 = 1
1 and 0 = 0
0 and 1 = 0
0 and 0 = 0
------------下面来尝试一下or运算---------------
权重列表:[0.1, 0.1],偏置变量:0.0,学习速率:0.1
1 or 1 = 1
1 or 0 = 1
0 or 0 = 0
0 or 1 = 1

那个计算函数 和 激活函数 我觉得应该是能够随便选的,但是为啥我将激活函数改为下面的样子就不正确了???


激活函数
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,511评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,495评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,595评论 0 225
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,558评论 0 190
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,715评论 3 270
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,672评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,112评论 2 291
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,837评论 0 181
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,417评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,928评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,316评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,773评论 2 234
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,253评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,827评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,440评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,523评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,583评论 2 249

推荐阅读更多精彩内容