PYTHON深度学习---二层神经网络梯度下降法

最新推荐文章于 2024-11-15 01:48:38 发布

CCCCCCCCCCCC_

最新推荐文章于 2024-11-15 01:48:38 发布

阅读量885

点赞数 2

CC 4.0 BY-SA版权

分类专栏： python

本文链接：https://blog.youkuaiyun.com/CCCCCCCCCCCC_/article/details/102097312

本文探讨了二层神经网络的学习过程，重点在于如何通过梯度下降法来调整权重和偏置，以优化网络对训练数据的拟合。主要内容包括计算损失函数的梯度、误差反向传播以及参数更新的步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

二层神经网络

神经网络存在合适的权重和偏置，调整权重和偏置以拟合训练数据的过程称为“学习”
目标件是减少mini-batch的损失函数值()

class TwoLayerNet:

    def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
        # 初始化
        self.params = {}
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)

    def predict(self, x):
        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']
    
        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) + b2
        y = softmax(a2)
        
        return y
        
    # x:输入数据, t:监督数据
    def los