5、神经网络预测与学习入门

神经网络预测与学习入门

1. 预测之上的预测

神经网络可以进行堆叠。可以将一个网络的输出作为另一个网络的输入，这会导致两次连续的向量 - 矩阵乘法。对于某些复杂数据集（如图像分类），单一权重矩阵难以捕捉其中的复杂模式，所以这种堆叠方式是有必要的。

以下是一个具有多个输入和输出的空网络示例代码：

# toes % win # fans
ih_wgt = [
    [0.1, 0.2, -0.1],  # hid[0]
    [-0.1, 0.1, 0.9],  # hid[1]
    [0.1, 0.4, 0.1]    # hid[2]
]
# hid[0] hid[1] hid[2]
hp_wgt = [
    [0.3, 1.1, -0.3],  # hurt?
    [0.1, 0.2, 0.0],  # win?
    [0.0, 1.3, 0.1]   # sad?
]
weights = [ih_wgt, hp_wgt]

def vect_mat_mul(input, weights):
    # 这里假设已经实现了向量 - 矩阵乘法函数
    pass

def neural_network(input, weights):
    hid = vect_mat_mul(input, weights[0])
    pred = vect_mat_mul(hid, weights[1])
    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.