原文：
www.kdnuggets.com/2018/10/simple-neural-network-python.html
评论
由 迈克尔·J·加尔巴德博士 提供
神经网络（NN），也称为人工神经网络（ANN），是机器学习领域中一种学习算法的子集，松散地基于生物神经网络的概念。
1. Google 网络安全证书 - 快速开启网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持您的组织进行 IT 管理
安德雷·布列祖克，一位在德国工作的机器学习专家，拥有超过五年的经验，他表示：“神经网络正在彻底改变机器学习，因为它们能够高效地建模广泛领域和行业中的复杂抽象。”
基本上，人工神经网络包括以下组件：
-
一个接收数据并传递数据的输入层
-
隐藏层
-
一个输出层
-
层间权重
-
为每个隐藏层使用特定的激活函数。在这个简单的神经网络 Python 教程中，我们将使用 Sigmoid 激活函数。
神经网络有多种类型。在这个项目中，我们将创建前馈神经网络或感知神经网络。这种类型的人工神经网络直接从前到后传递数据。
训练前馈神经元通常需要反向传播，这为网络提供了相应的输入和输出集。当输入数据传递到神经元时，它会被处理并生成输出。
下面是一个展示简单神经网络结构的图示：
而且，理解神经网络如何工作的最佳方法是从头开始学习如何构建一个（不使用任何库）。
在本文中，我们将演示如何使用 Python 编程语言创建一个简单的神经网络。
下面是一个展示问题的表格。
| 输入 | 输出 | ||
|---|---|---|---|
| 训练数据 1 | 0 | 0 | 1 |
| 训练数据 2 | 1 | 1 | 1 |
| 训练数据 3 | 1 | 0 | 1 |
| 训练数据 4 | 0 | 1 | 1 |
| 新情况 | 1 | 0 | 0 |
我们将训练神经网络，使其在提供新的数据集时能够预测正确的输出值。
如表中所示，输出的值总是等于输入部分的第一个值。因此，我们期望输出值 (?) 为 1。
让我们看看是否可以使用一些 Python 代码来获得相同的结果（在继续阅读之前，您可以在本文末尾查看这个项目的代码）。
我们将在 Python 中创建一个 NeuralNetwork 类，以训练神经元以给出准确的预测。该类还将具有其他辅助函数。
尽管在这个简单的神经网络示例中我们不会使用神经网络库，但我们将导入numpy库以协助计算。
该库提供了以下四个重要方法：
-
exp—用于生成自然指数
-
数组—用于生成矩阵
-
点积—用于矩阵乘法
-
随机—用于生成随机数。请注意，我们将对随机数进行种子设置，以确保其有效分布。
- 应用 Sigmoid 函数
我们将使用 Sigmoid 函数，它绘制了一个典型的“S”形曲线，作为神经网络的激活函数。
该函数可以将任何值映射到 0 到 1 的范围内。它将帮助我们标准化输入的加权和。
之后，我们将创建 Sigmoid 函数的导数，以帮助计算对权重的必要调整。
Sigmoid 函数的输出可以用来生成其导数。例如，如果输出变量为“x”，则其导数为 x * (1-x)。
- 训练模型
这是我们将教神经网络进行准确预测的阶段。每个输入都会有一个权重—正的或负的。
这意味着输入具有大正权重或大负权重会对结果输出产生更大影响。
记住，我们最初开始时将每个权重分配给一个随机数。
这是我们在这个神经网络示例问题中使用的训练过程步骤：
-
我们从训练数据集中获取输入，根据其权重进行了一些调整，并通过计算 ANN 输出的方法将其转移。
-
我们计算了反向传播的错误率。在这种情况下，它是神经元预测输出与训练数据集预期输出之间的差异。
-
根据获得的错误程度，我们使用 错误加权导数公式 进行了一些微调。
-
我们将这个过程迭代了任意次数，共 15,000 次。在每次迭代中，整个训练集会同时处理。
我们使用了“.T”函数将矩阵从水平位置转置到垂直位置。因此，数字将以这种方式存储：
最终，神经元的权重将针对提供的训练数据进行优化。因此，如果神经元被要求处理一个新的情况，而这个情况与之前的情况相同，它可以做出准确的预测。这就是反向传播的过程。
最后，我们初始化了 NeuralNetwork 类并运行了代码。
这是有关如何在 Python 项目中创建神经网络的完整代码：
import numpy as np
class NeuralNetwork():
def __init__(self):
# seeding for random number generation
np.random.seed(1)
#converting weights to a 3 by 1 matrix with values from -1 to 1 and mean of 0
self.synaptic_weights = 2 * np.random.random((3, 1)) - 1
def sigmoid(self, x):
#applying the sigmoid function
return 1 / (1 + np.exp(-x))
def sigmoid_derivative(self, x):
#computing derivative to the Sigmoid function
return x * (1 - x)
def train(self, training_inputs, training_outputs, training_iterations):
#training the model to make accurate predictions while adjusting weights continually
for iteration in range(training_iterations):
#siphon the training data via the neuron
output = self.think(training_inputs)
#computing error rate for back-propagation
error = training_outputs - output
#performing weight adjustments
adjustments = np.dot(training_inputs.T, error * self.sigmoid_derivative(output))
self.synaptic_weights += adjustments
def think(self, inputs):
#passing the inputs via the neuron to get output
#converting values to floats
inputs = inputs.astype(float)
output = self.sigmoid(np.dot(inputs, self.synaptic_weights))
return output
if __name__ == "__main__":
#initializing the neuron class
neural_network = NeuralNetwork()
print("Beginning Randomly Generated Weights: ")
print(neural_network.synaptic_weights)
#training data consisting of 4 examples--3 input values and 1 output
training_inputs = np.array([[0,0,1],
[1,1,1],
[1,0,1],
[0,1,1]])
training_outputs = np.array([[0,1,1,0]]).T
#training taking place
neural_network.train(training_inputs, training_outputs, 15000)
print("Ending Weights After Training: ")
print(neural_network.synaptic_weights)
user_input_one = str(input("User Input One: "))
user_input_two = str(input("User Input Two: "))
user_input_three = str(input("User Input Three: "))
print("Considering New Situation: ", user_input_one, user_input_two, user_input_three)
print("New Output data: ")
print(neural_network.think(np.array([user_input_one, user_input_two, user_input_three])))
print("Wow, we did it!")这是运行代码后的输出：
我们成功创建了一个简单的神经网络。
神经元首先分配了一些随机权重。之后，它使用训练样本进行自我训练。
因此，如果它被展示了一个新的情况 [1,0,0]，它给出了 0.9999584 的值。
你记得我们想要的正确答案是 1 吗？
那么，这非常接近——考虑到 Sigmoid 函数的输出值在 0 和 1 之间。
当然，我们仅使用了一个神经元网络来完成这个简单的任务。如果我们将几千个这样的人工神经网络连接在一起呢？我们是否能够 100% 模拟人类大脑的工作方式？
你有任何问题或评论吗？
请在下面提供它们。
个人简介：Michael J. Garbade 博士 是位于洛杉矶的区块链教育公司 LiveEdu 的创始人兼首席执行官。这是世界领先的平台，致力于为人们提供在未来技术领域（包括机器学习）中创建完整产品的实用技能。
相关内容：