用Python从头实现一个神经网络来理解神经网络的原理2

*05 ***** 例子：前馈

我们继续用前面图中的网络，假设每个神经元的权重都是 ，截距项也相同 ，激活函数也都是S型函数。分别用，表示相应的神经元的输出。

当输入时，会得到什么结果？

这个神经网络对输入的输出是0.7216，很简单。

一个神经网络的层数以及每一层中的神经元数量都是任意的。基本逻辑都一样：输入在神经网络中向前传输，最终得到输出。接下来，我们会继续使用前面的这个网络。

***06 ***编码神经网络：前馈

接下来我们实现这个神经网络的前馈机制，还是这个图：

import numpy as np
# ... code from previous section here
classOurNeuralNetwork:  '''  A neural network with:    - 2 inputs    - a hidden layer with 2 neurons (h1, h2)    - an output layer with 1 neuron (o1)  Each neuron has the same weights and bias:    - w = [0, 1]    - b = 0  '''  def__init__(self):    weights = np.array([0, 1])    bias = 0
    # 这里是来自前一节的神经元类    self.h1 = Neuron(weights, bias)    self.h2 = Neuron(weights, bias)    self.o1 = Neuron(weights, bias)
  deffeedforward(self, x):    out_h1 = self.h1.feedforward(x)    out_h2 = self.h2.feedforward(x)
    # o1的输入是h1和h2的输出    out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))
    return out_o1
network = OurNeuralNetwork()x = np.array([2, 3])print(network.feedforward(x)) # 0.7216325609518421

***07 ***训练神经网络 第一部分

现在有这样的数据：

接下来我们用这个数据来训练神经网络的权重和截距项，从而可以根据身高体重预测性别：

我们用0和1分别表示男性（M）和女性（F），并对数值做了转化：

我这里是随意选取了135和66来标准化数据，通常会使用平均值。

***08 ***损失

在训练网络之前，我们需要量化当前的网络是『好』还是『坏』，从而可以寻找更好的网络。这就是定义损失的目的。

我们在这里用平均方差（MSE）损失： ，让我们仔细看看：

• 是样品数，这里等于4（Alice、Bob、Charlie和Diana）。
• 表示要预测的变量，这里是性别。
• 是变量的真实值（『正确答案』）。例如，Alice的就是1（男性)。
• 变量的预测值。这就是我们网络的输出。

被称为方差（squared error）。我们的损失函数就是所有方差的平均值。预测效果越好，损失就越少。

更好的预测 = 更少的损失！

训练网络 = 最小化它的损失。

*09 ***** 损失计算例子

假设我们的网络总是输出0，换言之就是认为所有人都是男性。损失如何？

***10 ***代码：MSE损失

下面是计算MSE损失的代码：

import numpy as np
defmse_loss(y_true, y_pred):  # y_true and y_pred are numpy arrays of the same length.  return ((y_true - y_pred) ** 2).mean()
y_true = np.array([1, 0, 0, 1])y_pred = np.array([0, 0, 0, 0])
print(mse_loss(y_true, y_pred)) # 0.5

如果你不理解这段代码，可以看看NumPy的快速入门中关于数组的操作。

好的，继续。