Python深度学习之神经网络模型【附代码】

目录

1、深度学习基础 - 神经网络模型

（1）神经网络模型基本原理

1、单层神经网络模型

2、多层神经网络模型

（2）神经网络模型简单代码实现

2、案例 - 用户评论情感分析

（1）背景

（2）数据读取、中文分词、文本向量化

（3）神经网络模型搭建与使用

1、划分训练集和测试集

2、搭建神经网络模型

3、模型使用

---

1、深度学习基础 - 神经网络模型

（1）神经网络模型基本原理

       神经网络模型的思想来源于模仿人类大脑思考的方式。神经元是神经系统最基本的结构和功能单位，分为突起和细胞体两部分。突起作用是接受冲动并传递给细胞体，细胞体整合输入的信息并传出。人类大脑在思考时，神经元会接受外部的刺激，当传入的冲动使神经元的电位超过阈值时，神经元就会从抑制转向兴奋，并将信号向下一个神经元传导。神经网络的思想是通过构造人造神经元的方式模拟这一过程。

1、单层神经网络模型

       如下图所示，在一个简单的神经网络模型中有两组神经元，一组接收信号，一组输出信号。接受信号的一组通过线性变换和非线性的激活函数转换来修改信号，并传递给下一组。

       输出层信号的计算分为两步：

       第一步：对输入的信号进行加权平均：

       此时如果不再进行下面的操作，那么到这里，它就和第三章讲的线性回归模型是一样的了。其实神经网络模型的确和之前学到的一些基础模型有着紧密的联系。

       输出层信号的计算分为两步：

       第二步：对加权平均后的结果使用激活函数(Activation Function) ϕ(x)进行非线性的转化，计算出输出值：

       在神经网络模型中，常用来做非线性转换的激活函数有Sigmoid函数、Tanh函数、Relu函数。

       Sigmoid函数：如右图所示，该函数是将取值为(−∞,∞)(-∞,∞)的数转换到(0,1)之间，可以用来做二分类。其导数 f′(x) 从0开始，很快就又趋近于0，所以在梯度下降时会出现梯度消失；而且sigmoid函数的均值是0.5而非0，不利于下一层的输出。