深度學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)是核心模型。今天我們用 Python 和 NumPy 構(gòu)建一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元組成，神經(jīng)元之間通過(guò)權(quán)重連接。我們構(gòu)建一個(gè)包含輸入層、隱藏層和輸出層的簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)。

首先，導(dǎo)入必要的庫(kù)：

收起

python

import numpy as np

定義激活函數(shù) Sigmoid：

收起

python

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)初始化：

收起

python

# 輸入層節(jié)點(diǎn)數(shù)
input_size = 2
# 隱藏層節(jié)點(diǎn)數(shù)
hidden_size = 3
# 輸出層節(jié)點(diǎn)數(shù)
output_size = 1

# 初始化權(quán)重，使用隨機(jī)數(shù)
weights1 = np.random.randn(input_size, hidden_size)
weights2 = np.random.randn(hidden_size, output_size)

前向傳播函數(shù)：

收起

python

def forward_propagation(inputs):
    hidden_layer = sigmoid(np.dot(inputs, weights1))
    output_layer = sigmoid(np.dot(hidden_layer, weights2))
    return output_layer

假設(shè)我們有一個(gè)輸入數(shù)據(jù)：

收起

python

# 示例輸入
inputs = np.array([0.5, 0.3])
output = forward_propagation(inputs)
print(f"神經(jīng)網(wǎng)絡(luò)的輸出: {output}")

在這個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)中，輸入數(shù)據(jù)通過(guò)權(quán)重矩陣與隱藏層和輸出層進(jìn)行計(jì)算，經(jīng)過(guò)激活函數(shù)處理后得到最終輸出。雖然這只是一個(gè)簡(jiǎn)單的示例，但理解其原理是深入學(xué)習(xí)深度學(xué)習(xí)的基礎(chǔ)。

審核編輯 黃宇