神經網絡的疑惑python代碼

-1

我一直在努力學習人工智能，但我有關於它的以下疑問。神經網絡的疑惑python代碼

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

# Derivative of the sigmoid function 
def sigmoid_prime(x): 
    return sigmoid(x) * (1 - sigmoid(x)) 

x = np.array([0.1, 0.3]) 
y = 0.2 
weights = np.array([-0.8, 0.5]) 

# The learning rate, eta in the weight step equation 
learnrate = 0.5 

# The neural network output 
nn_output = sigmoid(x[0]*weights[0] + x[1]*weights[1]) 
# or nn_output = sigmoid(np.dot(x, w)) 

# output error 
error = y - nn_output 

# error gradient 
error_grad = error * sigmoid_prime(np.dot(x,w)) 

# Gradient descent step 
del_w = [ learnrate * error_grad * x[0], 
      learnrate * error_grad * x[1]] 
# or del_w = learnrate * error_grad * x

疑惑：

我們爲什麼要乘以權重，只有X，而不是與Y'

nn_output = sigmoid(x[0]*weights[0] + x[1]*weights[1])

爲什麼我們在計算梯度下降時增加x的值？

del_w = [ learnrate * error_grad * x[0], 
learnrate * error_grad * x[1]]

像x[0]和x[1]

來源

2017-02-02 Team ONYX

你可以看看這個和比較你的代碼：https：//seat.massey.ac.nz/personal/srmarsland/Code/Ch3/pcn.py – ppasler

你是什麼意思，增加' x'？ – Amadan

嗯。比喻救援！

想象一下，您正在瞄準大炮瞄準目標。您可以調整您的目標曲柄（w）以移動大炮（x）以擊中目標（y）。所以你試着通過應用曲柄設置（w）來打大炮（x）; 你不能使用目標本身（y），，因爲它不在你的控制之下。所以你開火了，你擊中目標的某個位置（nn_output）。您會看到如何更改下一次拍攝的方位角和角度（w），以及您錯過了多少（error）。實際上，在一個神經網絡中，更精確一點，x（「輸入」）並不是真正的大炮，而是所有射擊的情況：風速，加農炮位置，加農炮模型和特徵。w （「重量」）並不僅僅是一個曲柄：它是根據所有x參數設置曲柄的知識（「如果大炮遠離目標，使角度更高」，「如果風來自北方，調整這條路」...）。

learnrate你是如何調整的。大的學習速度意味着你更快地調整（當你偏離目標時更好），但是當你需要更好的控制時，你有可能在另一個方向上超調。

可能令您困惑的一件事是x和y不是座標，因此在它們的應用中不是對稱的。當您在屏幕上繪製圓圈時，請同樣對待x和y。然而，在這裏，x和y是至關重要不同的值：x是實際輸入（例如x[0]風速，x[1]風向，x[2]大炮時代，雷達曇花一現的x[3]方向，對雷達曇花一現x[4]距離...），y是什麼應該是輸出（y[0]目標的經度，y[1]目標的緯度） - 它是沒有意義的對待他們是一樣的。

來源

2017-02-02 07:25:56 Amadan

神經網絡的疑惑python代碼

回答

相關問題