还记得我们上次讲到识别图片的神经网络吗?上次我们借助TensorFlow来完成了对图片的识别,对神经网络的工作原理也有所了解了,那么我们今天来尝试一下,从零开始,自己搭建一个简单的神经网络如何?
ok,如果你的回答是"好",那我们就继续往下看,如果你的回答是"不好",那我们今天到这里就结束了。
回答"好"的同学,那我们就开始往下看了:
首先我们要明确我们要做什么:
从零搭建一个神经网络我们需要四个步骤:
1、定义网络的结构,包含输入,输出,隐藏层
2、初始化模型的参数
3、正向传播(计算损失值)
4、反向传播(对权值进行更新)
(3、4两步是不停的重复去做的)
ok,那我们开始了!
在这里,我们需要用到numpy进行数据运算:
pip install numpy
安装完毕之后,我们就开始定义我们的激活函数了,这里我们定义一个简单的SIGMOD函数:
在定义好激活函数之后,下面我们需要来定义网络结构,可爱的numpy早就为我们准备好了自带是网络结构,也就是二维矩阵,我们可以简单的对数据进行定义。通过numpy的array方法创建一个二维矩阵,也就是我们的网络结构:
输出:
下面,我们来对模型参数进行初始化:两个参数w,b(权值和偏置项)
初始化完成之后我们就要完成正向传播和反向传播了,对于正向传播,我们用来计算预测的值,而反向传播则是根据预测值和实际值之间的误差来不断更新w和b的一个过程。
首先,我们来定义正向传播:
返回梯度grads和损失cost,在计算结束后有必要断言一下数据类型,防止数据出问题。
下面我们来定义一个反向传播,来更新权值和偏置项:
将之前定义的正向传播函数放进去执行迭代操作,计算每一步的当前损失和梯度,利用梯度下降法对权值进行更新
到这里整个模型就搭建完啦!
最后,当我们简单的预测模型搭建完毕之后,我们再把对应的预测函数写一下,这样前前后后就算大功告成了!
到现在为止,我们的一个简单的神经网络模型和预测函数就全部写完了,怎么样,是不是很简单?
你也动手来试试吧!
代码地址:
https://www.bytelang.com/o/s/c/34DtxAiWGjs=
感兴趣的扫个二维码吧!
领取专属 10元无门槛券
私享最新 技术干货