机器学习日志——史上最白话的神经网络教程

先贴出BP神经网络代码如下：

class NeuralNetwork:
    def __init__(self, layers, activation='tanh'):
        if activation == 'logistic':
            self.activation = logistic
            self.activation_deriv = logistic_derivative
        elif activation == 'tanh':
            self.activation = tanh
            self.activation_deriv = tanh_deriv
        self.weights = []
        for i in range(1, len(layers) - 1):
            self.weights.append((2*np.random.random((layers[i - 1] + 1, layers[i] + 1))-1)*0.25)#i指当前层神经元
            self.weights.append((2*np.random.random((layers[i] + 1, layers[i + 1]))-1)*0.25)
    def fit(self, X, y, learning_rate=0.2, epochs=10000):
        X = np.atleast_2d(X) 
        temp = np.ones([X.shape[0], X.shape[1]+1])
        temp[:, 0:-1] = X 
        X = temp
        y = np.array(y)
        for k in range(epochs):
            i = np.random.randint(X.shape[0])
            a = [X[i]]
            for l in range(len(self.weights)):
                a.append(self.activation(np.dot(a[l], self.weights[l])))
            error = y[i] - a[-1]
            deltas = [error * self.activation_deriv(a[-1])]
            for l in range(len(a) - 2, 0, -1):
                deltas.append(deltas[-1].dot(self.weights[l].T)*self.activation_deriv(a[l]))
            deltas.reverse()
            for i in range(len(self.weights)):
                layer = np.atleast_2d(a[i])
                delta = np.atleast_2d(deltas[i])
                self.weights[i] += learning_rate * layer.T.dot(delta)
    def predict(self, x):
        x = np.array(x)
        temp = np.ones(x.shape[0]+1)
        temp[0:-1] = x
        a = temp
        for l in range(0, len(self.weights)):
            a = self.activation(np.dot(a, self.weights[l]))
        return a

接下来，我将在具体的数学模型中描述上面代码的数学模型

在此之前，先介绍几个概念：

一、背景

     1.1以人脑中的神经网络为启发,历史上出现过很多不同版本

     1.2最著名的算法是1980年的 backpropagation（反向传播）

二、多层向前神经网络( Multilayer Feed- Forward Neural Network)

  （1） 每层由单元（units）组成
  （2） 输入层（input layer）是由训练集的实例特征向量传入
  （3） 经过连接结点的权重（weight）传入下一层，一层的输出是下一层的输入
  （4） 隐藏层的个数是任意的，输出层和输入层只有一个
  （5） 每个单元（unit）也可以被称作神经结点，根据生物学来源定义
  （6） 上图称为2层的神经网络（输入层不算）
  （7） 一层中加权的求和，然后根据非线性的方程转化输出
  （8） 作为多层向前神经网络，理论上，如果有足够多的隐藏层（hidden layers）和足够大的训练集，可以模拟出任何方程

三、设计一个神经网络

  3.1使用神经网络训练数据之前，必须确定神经网络层数，以及每层单元个数
    3.2特征向量在被传入输入层时通常被先标准化（normalize）和0和1之间（为了加强学习过程）
    3.3离散型变量可以被编码成每一个输入单元对应一个特征可能赋的值
        比如：特征值A可能取三个值（a0,a1,a2），可以使用三个输入单元来代表A
                    如果A=a0,那么代表a0的单元值就取1，其他取0

                    如果A=a1,那么代表a1的单元值就取1，其他取0，以此类推

        例如输出值为【0，9】，那么0就是0.1，1就是0.01，2就是0.001，3就是0.003.。。。。以此类推
    3.4神经网络即可以用来做分类（classification）问题，也可以解决回归（regression）问题
  &nbs