8、梯度下降在多输入、多输出神经网络中的应用

梯度下降在多输入、多输出神经网络中的应用

1. 多输入梯度下降学习

梯度下降算法同样适用于多输入的情况。下面我们通过一个具体的例子来详细了解其工作原理。

1.1 网络结构与预测

首先，我们有一个包含多个输入的神经网络，其权重初始化为 weights = [0.1, 0.2, -0.1] 。以下是实现该网络的代码：

def w_sum(a, b):
    assert(len(a) == len(b))
    output = 0
    for i in range(len(a)):
        output += (a[i] * b[i])
    return output

weights = [0.1, 0.2, -0.1]
def neural_network(input, weights):
    pred = w_sum(input, weights)
    return pred

我们使用一些示例数据进行预测，这些数据代表了赛季第一场比赛的相关信息：

toes = [8.5, 9.5, 9.9, 9.0]
wlrec = [0.65, 0.8, 0.8, 0.9]
nfans = [1.2, 1.3, 0.5, 1.0]
win_or_lose_binary = [1, 1, 0, 1]
true = win_or_lose_binary[0]
input = [toes[0], wlrec[0], nfans[0]]