1.神经网络
神经网络是模仿人脑神经元工作原理而设计的一种算法模型。在一个基本的神经网络中,存在多个“神经元”或称为“节点”,这些节点被组织成多个层次。每个节点都接收前一层的输入,进行加权求和,并通过一个激活函数产生输出。
神经网络主要由以下几个部分组成:
- 输入层:这是神经网络的第一层,用于接收外部数据。
- 隐藏层:位于输入层和输出层之间的层,可以有一个或多个。
- 输出层:将神经网络的结果输出给外部环境。
- 权重与偏置:每个连接都有一个权重,每个节点都有一个偏置。
- 激活函数:决定神经元是否应该被“激活”或输出其值。
2.深度神经网络
深度神经网络(DNN)基本上是一个有很多隐藏层的神经网络。这些额外的层使得DNN能够学习和表示更复杂的特征和模式。简而言之,一个“深”的网络意味着它有更多的层次和更多的能力,但同时也意味着它需要更多的数据和计算资源来进行训练。
深度学习的兴起归功于几个关键因素:
- 大数据:深度网络需要大量的训练数据。
- 计算能力的增强:如GPU的出现,使得大规模矩阵操作更为高效。
- 算法进步:如ReLU激活函数、Dropout等技术的引入,帮助解决梯度消失和过拟合问题。
3.案例分析
下面利用神经网络来解决XOR问题。
XOR问题是指异或逻辑运算,对于两个二进制输入,XOR运算的定义如下:
从上面的表格可以看出,只有当两个输入不同时,输出才为1;如果两个输入相同,则输出为0。
XOR问题在神经网络领域的重要性在于:单个感知机(或称为线性单元)不能解决XOR问题,因为XOR函数不是线性可分的。这意味着你不能画一条直线来区分输出为1和输出为0的数据点。但是,使用一个具有至少一个隐藏层的多层神经网络可以解决XOR问题,这证明了引入隐藏层的重要性和多层神经网络的能力。
首先绘制XOR数据点:
import matplotlib.pyplot as plt # XOR 数据 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([[0], [1], [1], [0]]) plt.scatter(X[y[:,0] == 0][:, 0], X[y[:,0] == 0][:, 1], color='blue', label='0') plt.scatter(X[y[:,0] == 1][:, 0], X[y[:,0] == 1][:, 1], color='red', label='1') plt.xlabel('Input A') plt.ylabel('Input B') plt.legend() plt.title('XOR Data Points') plt.show()
结果图;
接下来利用神经网络进行预测:
import numpy as np import matplotlib.pyplot as plt # 定义Sigmoid函数及其导数 def sigmoid(x): return 1 / (1 + np.exp(-x)) def sigmoid_derivative(x): return x * (1 - x) # 定义神经网络结构 input_neurons = 2 hidden_neurons = 4 output_neurons = 1 # 初始化权重和偏置 np.random.seed(0) input_hidden_weights = np.random.rand(input_neurons, hidden_neurons) hidden_output_weights = np.random.rand(hidden_neurons, output_neurons) hidden_bias = np.random.rand(1, hidden_neurons) output_bias = np.random.rand(1, output_neurons) # 定义训练数据 (XOR problem) X = np.array([ [0, 0], [0, 1], [1, 0], [1, 1] ]) y = np.array([ [0], [1], [1], [0] ]) learning_rate = 0.5 epochs = 10000 errors = [] # 训练神经网络 for epoch in range(epochs): # 前向传播 hidden_layer_input = np.dot(X, input_hidden_weights) + hidden_bias hidden_layer_output = sigmoid(hidden_layer_input) output_layer_input = np.dot(hidden_layer_output, hidden_output_weights) + output_bias predicted_output = sigmoid(output_layer_input) # 计算误差 error = y - predicted_output # 记录MSE mse = np.mean(np.square(error)) errors.append(mse) # 反向传播 d_predicted_output = error * sigmoid_derivative(predicted_output) error_hidden_layer = d_predicted_output.dot(hidden_output_weights.T) d_hidden_layer = error_hidden_layer * sigmoid_derivative(hidden_layer_output) # 更新权重和偏置 hidden_output_weights += hidden_layer_output.T.dot(d_predicted_output) * learning_rate output_bias += np.sum(d_predicted_output, axis=0, keepdims=True) * learning_rate input_hidden_weights += X.T.dot(d_hidden_layer) * learning_rate hidden_bias += np.sum(d_hidden_layer, axis=0, keepdims=True) * learning_rate print(predicted_output) # 绘制误差曲线 plt.plot(errors) plt.title('Error (MSE) over Epochs') plt.xlabel('Epochs') plt.ylabel('Mean Squared Error (MSE)') plt.show()
预测结果:
[[0.01707759]
[0.98487483]
[0.98482722]
[0.01675426]]
误差曲线如下;
可见,随着迭代次数的增加, 均方误差MSE越来越小,最终收敛到0。