当前位置: 首页 > article >正文

人工智能中神经网络是如何进行学习的

在这里插入图片描述
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,忍不住分享一下给大家。点击跳转到网站。https://www.captainbed.cn/north
在这里插入图片描述

文章目录

    • 引言
    • 神经网络的学习过程
    • 1. 前向传播
    • 2. 计算损失
    • 3. 反向传播
      • 反向传播的步骤
    • 4. 参数更新
    • 5. 重复迭代
    • 代码实现
    • 流程图
    • 总结
    • 参考文献

引言

神经网络的学习过程是通过调整网络中的参数(权重和偏置)来最小化预测结果与真实值之间的误差。这一过程通常被称为训练,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,包括反向传播的原理、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:

  1. 前向传播:输入数据通过神经网络,得到预测结果。
  2. 计算损失:通过损失函数衡量预测结果与真实值之间的误差。
  3. 反向传播:计算损失函数对每个参数的梯度。
  4. 参数更新:使用梯度下降法更新网络的权重和偏置。
  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训练次数。

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预测的过程,输入数据从输入层经过隐藏层,最终到达输出层。具体过程如下:

  • 输入数据通过权重和偏置进行线性变换。
  • 对线性变换的结果应用激活函数,得到每一层的输出。
  • 最终输出层的输出即为预测结果。

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进行预测的》。


2. 计算损失

损失函数(Loss Function)用于衡量预测结果与真实值之间的误差。常见的损失函数包括:

  • 均方误差(MSE):用于回归问题。
  • 交叉熵损失(Cross-Entropy Loss):用于分类问题。

假设我们有一个分类问题,使用交叉熵损失函数,其公式为:

在这里插入图片描述


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

  1. 计算输出层的误差
    在这里插入图片描述

  2. 计算隐藏层的误差
    在这里插入图片描述

  3. 计算梯度
    在这里插入图片描述


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:

在这里插入图片描述


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训练次数。


代码实现

下面是一个简单的神经网络训练过程的Python实现,使用NumPy库进行矩阵运算。

import numpy as np

# 定义激活函数及其导数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def sigmoid_derivative(x):
    return x * (1 - x)

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重和偏置
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.b1 = np.zeros((1, self.hidden_size))
        self.W2 = np.random.randn(self.hidden_size, self.output_size)
        self.b2 = np.zeros((1, self.output_size))
    
    def forward(self, X):
        # 输入层到隐藏层
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = sigmoid(self.z1)
        
        # 隐藏层到输出层
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = sigmoid(self.z2)
        
        return self.a2
    
    def backward(self, X, y, output, learning_rate):
        # 计算输出层的误差
        error = output - y
        d_output = error * sigmoid_derivative(output)
        
        # 计算隐藏层的误差
        error_hidden = np.dot(d_output, self.W2.T)
        d_hidden = error_hidden * sigmoid_derivative(self.a1)
        
        # 更新权重和偏置
        self.W2 -= np.dot(self.a1.T, d_output) * learning_rate
        self.b2 -= np.sum(d_output, axis=0, keepdims=True) * learning_rate
        self.W1 -= np.dot(X.T, d_hidden) * learning_rate
        self.b1 -= np.sum(d_hidden, axis=0, keepdims=True) * learning_rate
    
    def train(self, X, y, epochs, learning_rate):
        for epoch in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output, learning_rate)
            if epoch % 1000 == 0:
                loss = np.mean(np.square(y - output))
                print(f"Epoch {epoch}, Loss: {loss}")

# 示例数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# 创建神经网络并训练
nn = NeuralNetwork(input_size=2, hidden_size=4, output_size=1)
nn.train(X, y, epochs=10000, learning_rate=0.1)

# 测试
output = nn.forward(X)
print("预测结果:", output)

流程图

以下是神经网络学习过程的流程图:

输入数据
前向传播
计算损失
反向传播
计算梯度
更新参数
是否收敛?
结束

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解释了这一过程,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

  1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
  2. Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press.
    在这里插入图片描述

http://www.kler.cn/a/588716.html

相关文章:

  • 1.Windows+vscode+cline+MCP配置
  • 传感云揭秘:边缘计算的革新力量
  • RabbitMQ从入门到实战-知识详情总结
  • 在办公电脑上本地部署 70b 的 DeepSeek 模型并实现相应功能的大致步骤
  • NO.40十六届蓝桥杯备战|指针和动态内存管理|取地址操作符|解引用操作符|指针+-整数|void*|new|delete(C++)
  • 7-14 利用正则表达式得到一段HTML文本中所有超链接对应的网址
  • vue echarts封装使用
  • 车载以太网测试-14【交换机以及MAC地址表】
  • MongoDB 和 Elasticsearch的区别、优缺点对比,以及选型建议
  • Chrome/Edge浏览器离线安装插件全攻略:CRX/ZIP文件手动安装教程
  • std::list的模拟实现
  • 零成本本地化搭建开源AI神器LocalAI支持CPU推理运行部署方案
  • 【WEB APIs】DOM-节点操作
  • 钉钉项目报销与金蝶系统高效集成技术解析
  • 人工智能中的线性代数基础详解
  • RabbitMQ实现定时/延迟任务
  • ES6(2) 函数详解
  • 【RNN神经网络】序列模型与RNN神经网络
  • 易境通集运系统:拼团模式重构社交化集运新生态
  • MobileNet家族:从v1到v4的架构演进与发展历程