首页 云计算

神经网络原来这么简单,机器学习入门贴送给你 | 干货

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

你想学机器学习吗?这里有一个入门贴适合你。

什么神经网络、随机森林、计算机视觉通通一网打尽。

这个Facebook软件工程师做了一个入门贴。

专为基础为零的初学者打造。

有基础的同学,也可以来看看加深一下理解。

 

我们就以神经网络为例先来一睹为快吧!

神经网络概论

作者说,神经网络并不复杂!

“神经网络”一词很流行,人们通常认为它很难,但其实要简单得多。

是不是这样呢?先看再说。

神经网络的理解主要分为三个部分,神经元、神经网络的构建、训练神经网络。

神经元——神经网络的基本单元   神经网络原来这么简单,机器学习入门贴送给你 | 干货 

这是2-input神经元的样子。

首先神经元接受输入x1、x2,进行一些数学运算以后,然后产生一个输出y。

在神经元里,通常会发生三件事:

1、每个输入乘以相应的权重;

神经网络原来这么简单,机器学习入门贴送给你 | 干货

2、将所有加权输入加在一起,在加上一个偏差b;

神经网络原来这么简单,机器学习入门贴送给你 | 干货

3、导入一个激活函数,得到输出y。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

通常来说,激活函数使用Sigmoid函数,也就是常说的S型函数,输入任意值(-∞,+∞),最后输出都能停留在0-1之间。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

对此,他还举了一个简单的例子。

以激活函数是S型函数、2输入神经元为例,设置参数 w=[0,1] (w1=0,w2=1),b=4。

input:x=[2,3]

output:y=0.999

神经网络原来这么简单,机器学习入门贴送给你 | 干货

这也就是最为朴素的神经网络——前馈神经网络。

对此,作者还用Python实现了整个过程。

import numpy as np  def sigmoid(x):   # Our activation function: f(x) = 1 / (1 + e^(-x))   return 1 / (1 + np.exp(-x))  class Neuron:   def __init__(self, weights, bias):     self.weights = weights     self.bias = bias    def feedforward(self, inputs):     # Weight inputs, add bias, then use the activation function     total = np.dot(self.weights, inputs) + self.bias     return sigmoid(total)  weights = np.array([0, 1]) # w1 = 0, w2 = 1 bias = 4                   # b = 4 n = Neuron(weights, bias)  x = np.array([2, 3])       # x1 = 2, x2 = 3 print(n.feedforward(x))    # 0.9990889488055994   构建神经网络

神经元连接在一起就是神经网络。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

两个输入,一个含有两个神经元的隐藏层,一个含有1个神经元的输出层就构建了一个神经网络。

需要注意的是,可以用多层隐藏层。就比如,像这样:

神经网络原来这么简单,机器学习入门贴送给你 | 干货

我们仍以上个示例的条件为例。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

一个神经网络可以包含任意数量的层和任意数量的神经元。

以Python代码示例如下:

import numpy as np  # ... code from previous section here  class OurNeuralNetwork:   '''   A neural network with:     - 2 inputs     - a hidden layer with 2 neurons (h1, h2)     - an output layer with 1 neuron (o1)   Each neuron has the same weights and bias:     - w = [0, 1]     - b = 0   '''   def __init__(self):     weights = np.array([0, 1])     bias = 0      # The Neuron class here is from the previous section     self.h1 = Neuron(weights, bias)     self.h2 = Neuron(weights, bias)     self.o1 = Neuron(weights, bias)    def feedforward(self, x):     out_h1 = self.h1.feedforward(x)     out_h2 = self.h2.feedforward(x)      # The inputs for o1 are the outputs from h1 and h2     out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))      return out_o1  network = OurNeuralNetwork() x = np.array([2, 3]) print(network.feedforward(x)) # 0.7216325609518421  训练神经网路——计算损失函数

假设,我们正在处理以下这个项目。通过人员的体重和身高来判断性别。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

以weight、height作为输入,以gender作为输出。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

将Male设置为0,Female设置为1,还对其余数据进行了简化。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

在训练神经网络之前,首先需要一个方法来量化它做得有多“好”,是否能够做得“更好”,那就是损失函数(loss)。

这里,我们将使用损失函数的一种——均方误差来计算。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

预测结果越好,说明损失也就会越低。而训练神经网络的目的,就在于尽可能的减少损失。

如果我们确信所有的人都是Male,也就是说预测值为0,会出现什么样的结果?

神经网络原来这么简单,机器学习入门贴送给你 | 干货

Python示例:

import numpy as np  def mse_loss(y_true, y_pred):   # y_true and y_pred are numpy arrays of the same length.   return ((y_true - y_pred) ** 2).mean()  y_true = np.array([1, 0, 0, 1]) y_pred = np.array([0, 0, 0, 0])  print(mse_loss(y_true, y_pred)) # 0.5  训练神经网络——最小化损失

计算了损失函数之后,就需要将损失最小化,这也是训练神经网络的最终目的所在。

接下来帖子有一段多变量演算,涉及微积分。

作者表示,

如果对微积分不满意,可随时跳过。

简单起见,我们就假设这个数据集中只有Alice。

那么,它的损失函数就是这样。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

那么它的权重w跟偏差b,在图上标示,那么就有6个权重变量,3个偏差变量。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

于是,便将损失函数写为多变量函数。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

想象一下,我们只要调整w1,就可能导致L的变化。那具体是如何变化的呢?这就需要计算偏导数了。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

利用链式求导法则进行反向求导,而这一过程就叫做反向传播。

详细计算过程就不放在这里了,大家去他个人网站去看哦~(链接已附文末)

作者温馨提示,看这个过程的时候不要着急,拿出手中的笔和纸,能够帮助你理解。

接下来,使用随机梯度下降的优化算法,公式表示如下(以w1为例):

神经网络原来这么简单,机器学习入门贴送给你 | 干货

其中的“学习速率”控制着训练速度,过大或者过小都不合适。

如果我们将所有的变量都进行这样的优化,那么损失函数将逐渐减少,神经网络就能够得到改善。

神经网络原来这么简单,机器学习入门贴送给你 | 干货

简单来说,整个训练过程是这样的:

1、数据集中选择一个样本,就如Alice。

2、利用反向传播计算所有变量的偏导数。

3、使用随机梯度下降来训练神经网络,更新变量。

4、返回步骤1。

神经网络的部分就介绍到这里,怎么样?看完之后,有什么感想?

是不是觉得神经网络也还好了。还有其他概念等着你来学习呢!

 

官方微博/微信

每日头条、业界资讯、热点资讯、八卦爆料,全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与,TechWeb官方微博期待您的关注。

↑扫描二维码

想在手机上看科技资讯和科技八卦吗?

想第一时间看独家爆料和深度报道吗?

请关注TechWeb官方微信公众帐号:

1.用手机扫左侧二维码;

2.在添加朋友里,搜索关注TechWeb。

手机游戏更多