8、梯度下降：多输入、多输出与权重学习

梯度下降：多输入、多输出与权重学习

1. 多输入的梯度下降学习

1.1 网络结构与预测

多输入的梯度下降学习是可行的。下面是一个多输入网络的示例代码：

weights = [0.1, 0.2, -0.1] 

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

def neural_network(input, weights):
    pred = w_sum(input,weights)
    return pred

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]]
pred = neural_network(input,weights)
error = (pred - true) ** 2
delta = pred - true

这个网络接收三个输入（ toes 、 wlrec 、 nfans ），并根据权重计算预测值，然后计算误差和