手写Python神经网络实现-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_46716894/article/details/123139439

本文介绍了使用Python从头编写神经网络的基本过程，包括神经网络原理的简单说明，特别是单个神经元的作用和非线性激活函数。文章还详细探讨了梯度下降在反向传播中的应用，并分享了一段三层神经网络的代码实现，强调了参数设计和理解数学原理的重要性。最后，展示了在鸢尾花分类任务上的应用结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

python手写神经网络

要理解神经网络最开始应该理解的一个概念就是——单个神经元。这个神经元是非线性的，它可以是ReLu函数，sigmoid函数等多种的形式，它的作用就是，帮助线不要是直线，因为如果是直线的话，之后需要叠加组合就很难描绘多种的形状，难以完成拟合任务。

而神经网络就是由多个这样的神经元组合而成的，同一层的神经元是对于前一层数据的组合判断（同一层的每一个神经元都有自己不同的组合方式），激活函数对输出的组合计算值进行了包装，再进入下一层进行组合和处理。

精华的部分在于迭代的过程——梯度下降求导。具体的求导为反向传播，简单的理解其实就是复合函数的求导。

不过关于神经网络的具体细节，真的无法给出很具体很具体的解释，要真的解释只能说是梯度下降的作用了。

我设计了一个三层的神经网络，其中在编写的时候，因为每一层的维度和系数矩阵是对应的，因此将每一层的神经的个数用变量来表示，方便之后的调节

# 设置输出层神经元个数
k1 = 4
k2 = 8
k3 = 1
# 初始化系数矩阵
W1 = 2*np.random.random((k1,k0)