本文介绍了如何使用Numpy而非TensorFlow构建简单的神经网络，包括输入层、隐藏层和输出层，以及激活函数tanh和softmax。通过实例展示了神经网络的参数初始化和输出计算过程，帮助读者理解神经网络的基本工作原理。
大数据文摘出品
作者：蒋宝尚
很多同学入门机器学习之后，直接用TensorFlow调包实现神经网络，对于神经网络内在机理知之甚少。
编程语言与技术框架变化更新非常之快，理解背后的原理才是王道。下面文摘菌和大家一起用Numpy实现一步一步实现神经网络。
此篇文章旨在帮大家梳理神经网络知识点，且此篇文章是第一部分，只是简单搭一个简单的框架。暂时不涉及梯度下降、学习率调参等知识点。
最简单的神经网络包含三个要素，输入层，隐藏层以及输出层。关于其工作机理其完全可以类比成一个元函数：Y=W*X+b。
一个简单的神经网络可以理解为两次一元函数的输入和输出。
第一次：Y1=A1(W1*X+b1) ，其中X是原始数据的输入,A1代表激活函数。
第二次：Y2=A2(W2*Y1+b2)，其中Y1是第一次的输出，A2是激活函数。参数W1、W2、b1、b2原则上各不相同。
本篇文章我们用到的激活函数有两个，一个是tan(x)，另一个是softmax。两者的函数曲线如下。
两个函数都有相同的特点，即函数值在零点左右变化较大，当输入值远离零点，其输出较稳定。
首先导入相关的库，需要两个库，一个用于科学计算的Numpy，另一个是math。
import numpy as npimport math
然后定义激活函数，
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
