头歌——机器、深度学习——手写体识别

第1关：神经网络基本概念

任务描述

本关任务：根据本节课所学知识完成本关所设置的选择题。

相关知识

为了完成本关任务，你需要掌握：1.神经网络基本概念。

神经网络基本概念

• 神经网络由输入层、隐藏层、输出层组成；

• 层与层之间的神经元有连接，而层内之间的神经元没有连接。连接的神经元都有对应的权重；

• 最左边的层叫做输入层，这层负责接收输入数据；

• 最右边的层叫输出层，我们可以从这层获取神经网络输出数据；

• 输入层和输出层之间的层叫做隐藏层。

• 表示相邻两层不同神经元连接的强度叫权重。如果神经元1到神经元2有较大的值，则意味着神经元1对神经元2有较大影响。权重减小了输入值的重要性，对于接近于0的权重，输入的改变不会影响输出的变化；负权重意味着，增加输入而输出会减小。权重决定了输入对输出影响的大小。

上图中的网络一共由3层神经元组成，但实质上只有2层权重，因此我们通常将输入层当做第0层网络，上图我们称其为2层网络（根据输入层、隐藏层、输出层的总数减去1后的数量来命名网络）。

编程要求

请仔细阅读题目，结合相关知识，完成本关的选择题任务。

测试说明

平台会对你的代码进行运行测试，如果实际输出结果与预期结果相同，则通关；反之，则 GameOver。

第1关任务——选择题

上图中的神经网络一共有多少个权重？   （C）

A、8

B、12

C、20

D、24

第2关：激活函数

任务描述

本关任务：使用sklearn完成新闻文本主题分类任务。

相关知识

为了完成本关任务，你需要掌握如何使用sklearn提供的MultinomialNB类与文本向量化。

数据简介

本关使用的是20newsgroups数据集，20newsgroups数据集是用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了18846篇新闻组文档，均匀分为20个不同主题（比如电脑硬件、中东等主题）的新闻组集合。

部分数据如下：

• From: Mamatha Devineni Ratnam <mr47+@andrew.cmu.edu>
• Subject: Pens fans reactions
• Organization: Post Office, Carnegie Mellon, Pittsburgh, PA
• Lines: 12
• NNTP-Posting-Host: po4.andrew.cmu.edu
• I am sure some bashers of Pens fans are pretty confused about the lack
• of any kind of posts about the recent Pens massacre of the Devils. Actually,
• I am bit puzzled too and a bit relieved. However, I am going to put an end
• to non-PIttsburghers relief with a bit of praise for the Pens. Man, they
• are killing those Devils worse than I thought. Jagr just showed you why
• he is much better than his regular season stats. He is also a lot
• fo fun to watch in the playoffs. Bowman should let JAgr have a lot of
• fun in the next couple of games since the Pens are going to beat the pulp out of Jersey anyway. I was very disappointed not to see the Islanders lose the final
• regular season game. PENS RULE!!!

其中新闻文本对应的主题标签，已经用0-19这20个数字表示。

文本向量化

由于数据集中每一条数据都是很长的一个字符串，所以我们需要对数据进行向量化的处理。例如，I have a apple！ I have a pen!可能需要将该字符串转换成向量如[10, 7, 0, 1, 2, 6, 22, 100, 8, 0, 1, 0]。

sklearn提供了实现词频向量化功能的CountVectorizer类。想要对数据进行向量化，代码如下：

• from sklearn.feature_ext\fraction.text import CountVectorizer
• #实例化向量化对象
• vec = CountVectorizer()
• #将训练集中的新闻向量化
• X_train = vec.fit_transform(X_train)
• #将测试集中的新闻向量化
• X_test = vec.transform(X_test)

但是仅仅通过统计词频的方式来将文本转换成向量会出现一个问题：长的文章词语出现的次数会比短的文章要多，而实际上两篇文章可能谈论的都是同一个主题。

为了解决这个问题，我们可以使用tf-idf来构建文本向量，sklearn中已经提供了tf-idf的接口，示例代码如下：

• from sklearn.feature_ext\fraction.text import TfidfTransformer
• #实例化tf-idf对象
• tfidf = TfidfTransformer()
• #将训练集中的词频向量用tf-idf进行转换
• X_train = tfidf.fit_transform(X_train_count_vectorizer)
• #将测试集中的词频向量用tf-idf进行转换
• X_test = vec.transform(X_test_count_vectorizer)

MultinomialNB

MultinomialNB是sklearn中多项分布数据的朴素贝叶斯算法的实现，并且是用于文本分类的经典朴素贝叶斯算法。在本关中建议使用MultinomialNB来实现文本分类功能。

在MultinomialNB实例化时alpha是一个常用的参数。

• alpha: 平滑因子。当等于1时，做的是拉普拉斯平滑；当小于1时做的是Lidstone平滑；当等于0时，不做任何平滑处理。

MultinomialNB类中的fit函数实现了朴素贝叶斯分类算法训练模型的功能，predict函数实现了法模型预测的功能。

其中fit函数的参数如下：