一个简单的神经网络代码的分析

1、需要用到numpy模块：import numpy as np

2、自定义一个sigmoid函数：def sig(x,deriv=False): if(deriv==True): return x*(1-x) return 1/(1+np.exp(-x))

3、引入训练集：x = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]])y = np.array([[0,0,1,1]]).Tx是自变量，也叫输入值；y是因变量，也叫输出值。

4、给出一个随机的1*3的矩阵s，并根据s构造一个1*4的矩阵l1：np.random.seed(1)s = 2*np.random.random((3,1)) - 1l0 = xl1 = sig(np.dot(l0,s))print(s,"\n\n\n")print(l1)

5、开始训练，使得l1逐步接近于y：for i in range(1000): l0 = x l1 = sig(np.dot(l0,s)) if i==0: print(l1,"\n") l1_e = y - l1 l1_d = l1_e * sig(l1,True) s += np.dot(l0.T,l1_d)print(l1)一开始，l1是：[[0.2689864 ][0.36375058][0.23762817][0.3262757 ]]训练1000次之后，l1变成了：[[0.03178421][0.02576499][0.97906682][0.97414645]]与y已经很接近了。

6、看看训练10000次的效果：for i in range(10000): l0 = x l1 = sig(np.dot(l0,s)) if i==0: print(l1,"\n") l1_e = y - l1 l1_d = l1_e * sig(l1,True) s += np.dot(l0.T,l1_d)print(l1)

7、把训练的过程画出来，需要加载matplotlib模块：坡纠课柩import matplotlib.pyplot as p然后画出折线图：a = []for i in range(10000): l0 = x l1 = sig(np.dot(l0,s)) a.append(l1[0,0]) l1_e = y - l1 l1_d = l1_e * sig(l1,True) s += np.dot(l0.T,l1_d)n = 10000p.plot(range(n),a[:n],color = 'green')p.show()

8、如果要查看前36步的训练过程，只需要把n后面的数值改为36。