8、梯度下降法在多输入、多输出神经网络中的应用

梯度下降法在多输入、多输出神经网络中的应用

1. 多输入的梯度下降学习

梯度下降法同样适用于多输入的情况。下面我们详细介绍多输入梯度下降学习的过程。

1.1 构建神经网络

首先，我们定义一个简单的神经网络，它接收多个输入并进行预测。代码如下：

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

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

1.2 预测与比较

我们使用一些示例数据进行预测，并计算误差和 delta 值。示例数据包括比赛的一些统计信息，如 toes （脚趾相关数据）、 wlrec （胜负记录）、 nfans （粉丝数量），以及比赛结果 win_or_lose_binary 。

toes = [8.5, 9.5, 9.9, 9.0]
wlrec = [0.65, 0.8, 0.8, 0.9]
n