标签：NPU sci 设置 vat tno 如何 nal 12px tput
解决训练任务，包括两部分内容：
第一部分：针对给定的训练样本计算输出。这与query()函数所做的工作没什么区别。
第二部分：将计算所得到的输出与期望的目标值做对比，使用差值来指导网络权重的更新。
其中，第一部分的代码如下所示：
1 def train(self,input_list,target_list): 2 # 转换输入输出列表到二维数组 3 inputs = numpy.array(input_list, ndmin=2).T 4 targets = numpy.array(target_list,ndmin= 2).T 5 # 计算到隐藏层的信号 6 hidden_inputs = numpy.dot(self.wih, inputs) 7 # 计算隐藏层输出的信号 8 hidden_outputs = self.activation_function(hidden_inputs) 9 # 计算到输出层的信号 10 final_inputs = numpy.dot(self.who, hidden_outputs) 11 final_outputs = self.activation_function(final_inputs)
这部分与query()中的区别在于多了一个期望值，因为我们需要期望值来训练网络，所以这部分必不可少。
第二部分：
1.首先需要计算误差，也就是期望值减去输出的实际值，以此可表示为：
output_errors = targets - final_outputs
2.那么，如何根据得到的输出误差来更新隐藏层和输出层，输入层和隐藏层之间的权重呢？首先，输出的误差来源于隐藏层传播的误差，隐藏层各个节点的误差具体分配多少呢？
errorshidden = weightsThidden_output * errorsoutput
使用python上式可表示为：
hidden_errors = numpy.dot(self.who.T,output_errors)
其次，利用公式更新权重：
ΔWj,k = α * Ek * sigmod(Ok) * (1 - sigmod(OK)) * OjT
使用python可表示为：
1 #隐藏层和输出层权重更新 2 self.who += self.lr * numpy.dot((output_errors*final_outputs*(1.0-final_outputs)), 3 numpy.transpose(hidden_outputs)) 4 #输入层和隐藏层权重更新 5 self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), 6 numpy.transpose(inputs))
因此，完整的神经网络代码表示为：
1 import numpy 2 import scipy.special 3 4 # 神经网络类定义 5 class NeuralNetwork(): 6 # 初始化神经网络 7 def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate): 8 # 设置输入层节点，隐藏层节点和输出层节点的数量 9 self.inodes = inputnodes 10 self.hnodes = hiddennodes 11 self.onodes = outputnodes 12 # 学习率设置 13 self.lr = learningrate 14 # 权重矩阵设置 正态分布 15 self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes)) 16 self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes)) 17 # 激活函数设置，sigmod()函数 18 self.activation_function = lambda x: scipy.special.expit(x) 19 pass 20 21 # 训练神经网络 22 def train(self,input_list,target_list): 23 # 转换输入输出列表到二维数组 24 inputs = numpy.array(input_list, ndmin=2).T 25 targets = numpy.array(target_list,ndmin= 2).T 26 # 计算到隐藏层的信号 27 hidden_inputs = numpy.dot(self.wih, inputs) 28 # 计算隐藏层输出的信号 29 hidden_outputs = self.activation_function(hidden_inputs) 30 # 计算到输出层的信号 31 final_inputs = numpy.dot(self.who, hidden_outputs) 32 final_outputs = self.activation_function(final_inputs) 33 34 output_errors = targets - final_outputs 35 hidden_errors = numpy.dot(self.who.T,output_errors) 36 37 #隐藏层和输出层权重更新 38 self.who += self.lr * numpy.dot((output_errors*final_outputs*(1.0-final_outputs)), 39 numpy.transpose(hidden_outputs)) 40 #输入层和隐藏层权重更新 41 self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), 42 numpy.transpose(inputs)) 43 pass 44 # 查询神经网络 45 def query(self, input_list): 46 # 转换输入列表到二维数组 47 inputs = numpy.array(input_list, ndmin=2).T 48 # 计算到隐藏层的信号 49 hidden_inputs = numpy.dot(self.wih, inputs) 50 # 计算隐藏层输出的信号 51 hidden_outputs = self.activation_function(hidden_inputs) 52 # 计算到输出层的信号 53 final_inputs = numpy.dot(self.who, hidden_outputs) 54 final_outputs = self.activation_function(final_inputs) 55 56 return final_outputs
标签：NPU sci 设置 vat tno 如何 nal 12px tput
原文地址：https://www.cnblogs.com/carlber/p/9693600.html
