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

article 2025/3/17 18:49:57

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

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：

前向传播：输入数据通过神经网络，得到预测结果。
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。
反向传播：计算损失函数对每个参数的梯度。
参数更新：使用梯度下降法更新网络的权重和偏置。
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

计算输出层的误差：
计算隐藏层的误差：
计算梯度：

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)