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

神经网络是可以堆叠的。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。有些数据集（如图像分类）包含的模式过于复杂，单个权重矩阵无法处理，因此这种堆叠预测的方式就显得很有必要。

以下是相关代码实现：

# 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):
    # 这里添加向量 - 矩阵乘法的实现
    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, 1.0]
inp