DL之simpleNet：利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值

输出结果

输出权重参数： [[-0.94465146 -1.22617291  0.89064915]

[-0.36625531  1.57482914  0.82170746]]

输出预测： [-0.89642065  0.68164248  1.27392621]

最大值的索引： 2

loss： 0.5111458955952319

求出梯度值：

[[ 0.04107652  0.19903878 -0.2401153 ]

[ 0.06161477  0.29855818 -0.36017295]]

核心代码

class simpleNet:

   def __init__(self):

       self.W = np.random.randn(2,3)  #用高斯分布进行初始化

   def predict(self, x):

       return np.dot(x, self.W)

   def loss(self, x, t):

       z = self.predict(x)

       y = softmax(z)

       loss = cross_entropy_error(y, t)

       return loss

net = simpleNet()

x = np.array([0.6, 0.9])

p = net.predict(x)

t= np.array([0, 0, 1])          

print('loss：',net.loss(x, t))

f = lambda w: net.loss(x, t)

dW = numerical_gradient(f, net.W)

print('求出梯度值：','\n',dW)