IT评测·应用市场-qidao123.com

标题: 人工智能中神经网络是如何举行学习的 [打印本页]
作者: 南七星之家    时间: 2025-3-17 18:55
标题: 人工智能中神经网络是如何举行学习的

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，不由得分享一下给大家。点击跳转到网站。https://www.captainbed.cn/north


  
引言

神经网络的学习过程是通过调解网络中的参数（权重和偏置）来最小化猜测效果与真实值之间的误差。这一过程通常被称为练习，其核心是反向传播算法（Backpropagation）。本文将详细介绍神经网络的学习过程，包罗反向传播的原理、梯度下降优化方法，并通过代码和流程图帮助读者更好地理解。
神经网络的学习过程

神经网络的学习过程可以分为以下几个步骤：
下面我们将逐步展开这些步骤。
1. 前向传播

前向传播是神经网络猜测的过程，输入数据从输入层经过隐蔽层，终极到达输出层。具体过程如下：

关于前向传播的详细内容，可以参考上一篇博客《人工智能中神经网络是如何举行猜测的》。
2. 计算损失

损失函数（Loss Function）用于衡量猜测效果与真实值之间的误差。常见的损失函数包罗：

假设我们有一个分类问题，使用交叉熵损失函数，其公式为：

3. 反向传播

反向传播是神经网络学习的核心。其目的是计算损失函数对每个参数的梯度，即损失函数对权重和偏置的偏导数。
反向传播的步骤

4. 参数更新

通过梯度下降法更新网络的参数。梯度下降法的更新公式为：

5. 重复迭代

重复上述步骤，直到损失函数收敛或达到预定的练习次数。
代码实现

下面是一个简单的神经网络练习过程的Python实现，使用NumPy库举行矩阵运算。
  1. import numpy as np
  3. # 定义激活函数及其导数
  4. def sigmoid(x):
  5.     return 1 / (1 + np.exp(-x))
  7. def sigmoid_derivative(x):
  8.     return x * (1 - x)
  10. # 定义神经网络类
  11. class NeuralNetwork:
  12.     def __init__(self, input_size, hidden_size, output_size):
  13.         self.input_size = input_size
  14.         self.hidden_size = hidden_size
  15.         self.output_size = output_size
  16.         
  17.         # 初始化权重和偏置
  18.         self.W1 = np.random.randn(self.input_size, self.hidden_size)
  19.         self.b1 = np.zeros((1, self.hidden_size))
  20.         self.W2 = np.random.randn(self.hidden_size, self.output_size)
  21.         self.b2 = np.zeros((1, self.output_size))
  22.    
  23.     def forward(self, X):
  24.         # 输入层到隐藏层
  25.         self.z1 = np.dot(X, self.W1) + self.b1
  26.         self.a1 = sigmoid(self.z1)
  27.         
  28.         # 隐藏层到输出层
  29.         self.z2 = np.dot(self.a1, self.W2) + self.b2
  30.         self.a2 = sigmoid(self.z2)
  31.         
  32.         return self.a2
  33.    
  34.     def backward(self, X, y, output, learning_rate):
  35.         # 计算输出层的误差
  36.         error = output - y
  37.         d_output = error * sigmoid_derivative(output)
  38.         
  39.         # 计算隐藏层的误差
  40.         error_hidden = np.dot(d_output, self.W2.T)
  41.         d_hidden = error_hidden * sigmoid_derivative(self.a1)
  42.         
  43.         # 更新权重和偏置
  44.         self.W2 -= np.dot(self.a1.T, d_output) * learning_rate
  45.         self.b2 -= np.sum(d_output, axis=0, keepdims=True) * learning_rate
  46.         self.W1 -= np.dot(X.T, d_hidden) * learning_rate
  47.         self.b1 -= np.sum(d_hidden, axis=0, keepdims=True) * learning_rate
  48.    
  49.     def train(self, X, y, epochs, learning_rate):
  50.         for epoch in range(epochs):
  51.             output = self.forward(X)
  52.             self.backward(X, y, output, learning_rate)
  53.             if epoch % 1000 == 0:
  54.                 loss = np.mean(np.square(y - output))
  55.                 print(f"Epoch {epoch}, Loss: {loss}")
  57. # 示例数据
  58. X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
  59. y = np.array([[0], [1], [1], [0]])
  61. # 创建神经网络并训练
  62. nn = NeuralNetwork(input_size=2, hidden_size=4, output_size=1)
  63. nn.train(X, y, epochs=10000, learning_rate=0.1)
  65. # 测试
  66. output = nn.forward(X)
  67. print("预测结果:", output)
复制代码
流程图

以下是神经网络学习过程的流程图：
     
总结

神经网络的学习过程是通过前向传播、计算损失、反向传播和参数更新四个步骤不断迭代完成的。反向传播算法是神经网络学习的核心，它通过链式法则计算损失函数对每个参数的梯度，并使用梯度下降法更新参数。本文通过代码和流程图详细表明白这一过程，希望能帮助读者更好地理解神经网络的学习机制。
参考文献


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/) Powered by Discuz! X3.4