作者：Michael J.Garbade
翻譯：陳之炎
校對：丁楠雅
本文共2000字，建議閱讀9分鐘。
本文將為你演示如何創建一個神經網絡，帶你深入瞭解神經網絡的工作方式。
瞭解神經網絡工作方式的最佳途徑莫過於親自創建一個神經網絡，本文將演示如何做到這一點。
神經網絡(NN)又稱人工神經網絡(ANN)，是機器學習領域中基於生物神經網絡概念的學習算法的一個子集。
擁有五年以上經驗的德國機器學習專家Andrey Bulezyuk聲稱：“神經網絡正在徹底改變機器學習，因為它們能夠在廣泛的學科和行業中為抽象對象高效建模。”
人工神經網絡基本上由以下組件組成：
- 輸入層：接收並傳遞數據
- 隱藏層
- 輸出層
- 各層之間的權重
- 每個隱藏層都有一個激活函數。在這個簡單的神經網絡Python教程中，我們將使用Sigmoid激活函數。
神經網絡有多種類型。在本項目中，我們將創建前饋或感知神經網絡。這種類型的ANN直接將數據從前向後傳遞。
前饋神經元的訓練往往需要反向傳播，它為網絡提供了相應的輸入和輸出集。當輸入數據被傳送到神經元時，經過處理後，產生一個輸出。
下面的圖表顯示了一個簡單的神經網絡的結構：
瞭解神經網絡如何工作的最佳方法是學習如何從頭開始構建神經網絡(而不是採用任何庫)。
在本文中，我們將演示如何利用Python編程語言創建一個簡單的神經網絡。
問題
如下是一個展示問題的表格。
我們將提供一個新的數據集，利用它訓練神經網絡，從而能夠預測正確的輸出值。
正如上表所示，輸出值總是等於輸入部分中的第一個值。因此，我們期望輸出的值為1。
讓我們看看是否可以使用Python代碼來得出相同的結果(你可以在本文末尾仔細閱讀這個項目的代碼，然後再繼續閱讀本文)。
創建一個NeuralNetwork類
我們將用Python創建一個NeuralNetwork類來訓練神經元，以期給出準確的預測。這個類還會有其他的幫助函數。
即使我們不會在這個簡單的神經網絡示例中使用神經網絡庫，我們也將導入numpy庫來輔助計算。
numpy庫提供了以下四種重要方法：
- exp—用於生成自然指數
- array—用於生成矩陣
- dot—用於矩陣相乘
- random—用於生成隨機數。請注意，我們將生成隨機數，以確保它們的有效分佈。
1. 應用Sigmoid函數
我們將使用Sigmoid函數，來繪製一個特徵“S”型曲線，作為神經網絡的激活函數。
此函數可以將任何值映射到0到1之間的值，它將有助於我們對輸入的加權和歸一化。
此後，我們將創建Sigmoid函數的導數，以幫助計算權重的調整參數。
可以利用Sigmoid函數的輸出來生成它的導數。例如，如果輸出變量為“x”，則其導數為x*(1-x)。
2. 訓練模型
這是我們教神經網絡做出準確預測的階段。每個輸入都有一個權重-可為正值或負值。這意味著：有較大的正權重或負權重的輸入會對結果的輸出產生更大的影響。請記住，我們最初是通過為每個隨機數分配一個權重後開始的。
下面是這個神經網絡示例的訓練過程：
第一步：從訓練數據集中提取輸入，根據訓練數據集的權重進行調整，並通過一種計算神經網絡輸出的方法對其進行篩選。 第二步：計算反向傳播錯誤率。在這種情況下，它是神經元的預測輸出與訓練數據集的期望輸出之間的差異。第三步：利用誤差加權導數公式，根據所得到的誤差範圍，進行了一些較小的權值調整。第四步：對這一過程進行15000次迭代。在每次迭代中，整個訓練集被同時處理。
我們使用“.T”函數將矩陣從水平位置轉換為垂直位置。因此，數字將以如下方式存儲：
最終，神經元的權重將根據所提供的訓練數據進行優化。隨後，如果讓神經元考慮一個新的狀態，與先前的狀態相同，它便可以作出一個準確的預測。這就是反向傳播的方式。
打包運行
最後，NeuralNetwork類初始化成功後，可以運行代碼了。
下面是如何在Python項目中創建神經網絡的完整代碼：
import numpy as np class NeuralNetwork(): def __init__(self): # seeding for random number generation np.random.seed(1) #converting weights to a 3 by 1 matrix with values from -1 to 1 and mean of 0 self.synaptic_weights = 2 * np.random.random((3, 1)) - 1 def sigmoid(self, x): #applying the sigmoid function return 1 / (1 + np.exp(-x)) def sigmoid_derivative(self, x): #computing derivative to the Sigmoid function return x * (1 - x) def train(self, training_inputs, training_outputs, training_iterations): #training the model to make accurate predictions while adjusting weights continually for iteration in range(training_iterations): #siphon the training data via the neuron output = self.think(training_inputs) #computing error rate for back-propagation error = training_outputs - output #performing weight adjustments adjustments = np.dot(training_inputs.T, error * self.sigmoid_derivative(output)) self.synaptic_weights += adjustments def think(self, inputs): #passing the inputs via the neuron to get output #converting values to floats inputs = inputs.astype(float) output = self.sigmoid(np.dot(inputs, self.synaptic_weights)) return output if __name__ == "__main__": #initializing the neuron class neural_network = NeuralNetwork() print("Beginning Randomly Generated Weights: ") print(neural_network.synaptic_weights) #training data consisting of 4 examples--3 input values and 1 output training_inputs = np.array([[0,0,1], [1,1,1], [1,0,1], [0,1,1]]) training_outputs = np.array([[0,1,1,0]]).T #training taking place neural_network.train(training_inputs, training_outputs, 15000) print("Ending Weights After Training: ") print(neural_network.synaptic_weights) user_input_one = str(input("User Input One: ")) user_input_two = str(input("User Input Two: ")) user_input_three = str(input("User Input Three: ")) print("Considering New Situation: ", user_input_one, user_input_two, user_input_three) print("New Output data: ") print(neural_network.think(np.array([user_input_one, user_input_two, user_input_three])))print("Wow, we did it!")
運行代碼之後的輸出：
這樣，我們便成功地創建了一個簡單的神經網絡。
神經元首先給自己分配一些隨機權重，接著，利用訓練實例進行了自我訓練。
之後，如果出現新的狀態[1,0,0]，則它得出的數值為0.9999584。
還記得我們想要的正確答案是1嗎？
這個數值非常接近，Sigmoid函數輸出值在0到1之間。
當然，在這個例子中，我們只使用一個神經元網絡來完成簡單的任務。如果我們把幾千個人工神經網絡連接在一起，情況將會是怎樣呢？我們能不能完全模仿人類的思維方式呢？
作者簡介：Michael J.Garbade博士是洛杉磯區塊鏈教育公司（LiveEdu）的創始人和首席執行官。它是世界領先的教育培訓平臺，為學員培訓實用技能，以期在未來的技術領域（包括機器學習）創造完整的產品。
原文標題：
How to Create a Simple Neural Network in Python
原文鏈接：
https://www.kdnuggets.com/2018/10/simple-neural-network-python.html
譯者簡介
陳之炎，北京交通大學通信與控制工程專業畢業，獲得工學碩士學位，歷任長城計算機軟件與系統公司工程師，大唐微電子公司工程師，現任北京吾譯超群科技有限公司技術支持。目前從事智能化翻譯教學系統的運營和維護，在人工智能深度學習和自然語言處理（NLP）方面積累有一定的經驗。業餘時間喜愛翻譯創作，翻譯作品主要有：IEC-ISO 7816、伊拉克石油工程項目、新財稅主義宣言等等，其中中譯英作品“新財稅主義宣言”在GLOBAL TIMES正式發表。能夠利用業餘時間加入到THU 數據派平臺的翻譯志願者小組，希望能和大家一起交流分享，共同進步
— 完 —
關注清華-青島數據科學研究院官方微信公眾平臺“THU數據派”及姊妹號“數據派THU”獲取更多講座福利及優質內容。
閱讀更多 THU數據派 的文章
