在過去的幾十年里，機器學習對世界產生了巨大的影響，而且它的普及程度似乎在不斷增長。最近，越來越多的人已經熟悉了機器學習的子領域，如神經網絡，這是由人類大腦啟發的網絡。在本文中，將介紹用于一個簡單神經網絡的 Python 代碼，該神經網絡對于一個 1x3 向量，分類第一個元素是否為 10。

步驟1: 導入 NumPy、 Scikit-learn 和 Matplotlib

import numpy as npfrom sklearn.preprocessing import MinMaxScalerimport matplotlib.pyplot as plt

我們將在這個項目中使用上述三個庫。NumPy 將用于創建向量和矩陣以及數學操作。Scikit-learn 將用于縮放數據，Matplotlib 將用于在神經網絡訓練期間繪圖。

步驟2: 創建一個訓練和測試數據集

神經網絡在大型和小型數據集的學習趨勢方面都很擅長。然而，數據科學家必須意識到過擬合的危險，這在使用小數據集的項目中更為明顯。過擬合是當一個算法訓練和建模過于接近一組數據點，以至于它不能很好地推廣到新的數據點。

通常情況下，過擬合的機器學習模型在訓練的數據集上有很高的準確性，但是作為一個數據科學家，目標通常是盡可能精確地預測新的數據點。為了確保根據預測新數據點的好壞來評估模型，而不是根據對當前數據點的建模好壞來評估模型，通常將數據集拆分為一個訓練集和一個測試集(有時是一個驗證集)。

input_train = np.array([[0, 1, 0], [0, 1, 1], [0, 0, 0], [10, 0, 0], [10, 1, 1], [10, 0, 1]])output_train = np.array([[0], [0], [0], [1], [1], [1]])input_pred = np.array([1, 1, 0]) input_test = np.array([[1, 1, 1], [10, 0, 1], [0, 1, 10], [10, 1, 10], [0, 0, 0], [0, 1, 1]])output_test = np.array([[0], [1], [0], [1], [0], [0]])

在這個簡單的神經網絡中，我們將1x3向量分類，10作為第一個元素。使用 NumPy 的 array 函數創建輸入和輸出訓練集和測試集，并創建 input_pred 以測試稍后將定義的 prediction 函數。訓練和測試數據由6個樣本組成，每個樣本具有3個特征，由于輸出已經給出，我們理解這是監督式學習的一個例子。

第三步: 擴展數據集

許多機器學習模型不能理解例如單位之間的區別，自然而然地對高度的特征應用更多的權重。這會破壞算法預測新數據點的能力。此外，訓練具有高強度特征的機器學習模型將會比需要的慢，至少如果使用梯度下降法。這是因為當輸入值在大致相同的范圍內時，梯度下降法收斂得更快。

scaler = MinMaxScaler()input_train_scaled = scaler.fit_transform(input_train)output_train_scaled = scaler.fit_transform(output_train)input_test_scaled = scaler.fit_transform(input_test)output_test_scaled = scaler.fit_transform(output_test)

在我們的訓練和測試數據集中，這些值的范圍相對較小，因此可能沒有必要進行特征擴展。然而，這樣可以使得小伙伴們使用自己喜歡的數字，而不需要更改太多的代碼。由于 Scikit-learn 包及其 MinMaxScaler 類，在 Python 中實現特征伸縮非常容易。只需創建一個 MinMaxScaler 對象，并使用 fit_transform 函數將非縮放數據作為輸入，該函數將返回相同的縮放數據。Scikit-learn 包中還有其他縮放功能，我鼓勵您嘗試這些功能。

第四步: 創建一個神經網絡類

要熟悉神經網絡的所有元素，最簡單的方法之一就是創建一個神經網絡類。這樣一個類應該包括所有的變量和函數，將是必要的神經網絡工作正常。

class NeuralNetwork(): def __init__(self, ): self.inputSize = 3 self.outputSize = 1 self.hiddenSize = 3 self.W1 = np.random.rand(self.inputSize, self.hiddenSize) self.W2 = np.random.rand(self.hiddenSize, self.outputSize) self.error_list = [] self.limit = 0.5 self.true_positives = 0 self.false_positives = 0 self.true_negatives = 0 self.false_negatives = 0 def forward(self, X): self.z = np.matmul(X, self.W1) self.z2 = self.sigmoid(self.z) self.z3 = np.matmul(self.z2, self.W2) o = self.sigmoid(self.z3) return o def sigmoid(self, s): return 1 / (1 + np.exp(-s)) def sigmoidPrime(self, s): return s * (1 - s) def backward(self, X, y, o): self.o_error = y - o self.o_delta = self.o_error * self.sigmoidPrime(o) self.z2_error = np.matmul(self.o_delta, np.matrix.transpose(self.W2)) self.z2_delta = self.z2_error * self.sigmoidPrime(self.z2) self.W1 += np.matmul(np.matrix.transpose(X), self.z2_delta) self.W2 += np.matmul(np.matrix.transpose(self.z2), self.o_delta) def train(self, X, y, epochs): for epoch in range(epochs): o = self.forward(X) self.backward(X, y, o) self.error_list.append(np.abs(self.o_error).mean()) def predict(self, x_predicted): return self.forward(x_predicted).item() def view_error_development(self): plt.plot(range(len(self.error_list)), self.error_list) plt.title(’Mean Sum Squared Loss’) plt.xlabel(’Epoch’) plt.ylabel(’Loss’) def test_evaluation(self, input_test, output_test): for i, test_element in enumerate(input_test): if self.predict(test_element) > self.limit and output_test[i] == 1: self.true_positives += 1 if self.predict(test_element) < self.limit and output_test[i] == 1: self.false_negatives += 1 if self.predict(test_element) > self.limit and output_test[i] == 0: self.false_positives += 1 if self.predict(test_element) < self.limit and output_test[i] == 0: self.true_negatives += 1 print(’True positives: ’, self.true_positives, ’nTrue negatives: ’, self.true_negatives, ’nFalse positives: ’, self.false_positives, ’nFalse negatives: ’, self.false_negatives, ’nAccuracy: ’, (self.true_positives + self.true_negatives) / (self.true_positives + self.true_negatives + self.false_positives + self.false_negatives))

步驟4.1: 創建一個 Initialize 函數

當我們在 Python 中創建一個類以便正確地初始化變量時，會調用 __init__ 函數。

def __init__(self, ): self.inputSize = 3 self.outputSize = 1 self.hiddenSize = 3 self.W1 = torch.randn(self.inputSize, self.hiddenSize) self.W2 = torch.randn(self.hiddenSize, self.outputSize) self.error_list = [] self.limit = 0.5 self.true_positives = 0 self.false_positives = 0 self.true_negatives = 0 self.false_negatives = 0

在這個例子中，我選擇了一個有三個輸入節點、三個隱藏層節點和一個輸出節點的神經網絡。以上的 __init__ 函數初始化描述神經網絡大小的變量。inputSize 是輸入節點的數目，它應該等于輸入數據中特征的數目。outputSize 等于輸出節點數，hiddenSize 描述隱藏層中的節點數。此外，我們的網絡中不同節點之間的權重將在訓練過程中進行調整。

除了描述神經網絡的大小和權重的變量之外，我還創建了幾個在創建神經網絡對象時初始化的變量，這些對象將用于評估目的。誤差列表將包含每個時期的平均絕對誤差(MAE) ，這個極限將描述一個向量應該被分類為一個向量，元素10作為第一個元素而不是。然后，還有一些變量可以用來存儲真實陽性、假陽性、真實陰性和假陰性的數量。

步驟4.2: 創建一個前向傳播函數

前向傳播函數的作用是通過神經網絡的不同層次進行迭代，以預測特定 epoch 的輸出。然后，根據預測輸出和實際輸出之間的差異，在反向傳播的過程中更新權重。

def forward(self, X): self.z = np.matmul(X, self.W1) self.z2 = self.sigmoid(self.z) self.z3 = np.matmul(self.z2, self.W2) o = self.sigmoid(self.z3) return o

為了計算每一層中每個節點的值，前一層中節點的值將被乘以適當的權重，然后應用非線性激活函數來擴大最終輸出函數的可能性。在這個例子中，我們選擇了 Sigmoid 作為激活函數，但也有許多其他的選擇。

步驟4.3: 創建一個反向傳播函數

反向傳播是對神經網絡中不同節點的權值進行更新，從而決定其重要性的過程。

def backward(self, X, y, o): self.o_error = y - o self.o_delta = self.o_error * self.sigmoidPrime(o) self.z2_error = np.matmul(self.o_delta, np.matrix.transpose(self.W2)) self.z2_delta = self.z2_error * self.sigmoidPrime(self.z2) self.W1 += np.matmul(np.matrix.transpose(X), self.z2_delta) self.W2 += np.matmul(np.matrix.transpose(self.z2), self.o_delta)

在上面的代碼片段中，輸出層的輸出錯誤被計算為預測輸出與實際輸出之間的差值。然后，在重復整個過程直到到達輸入層之前，將這個錯誤與 Sigmoid 相乘以運行梯度下降法。最后，更新不同層之間的權重。

步驟4.4: 創建一個訓練函數

在訓練過程中，該算法將運行向前和向后傳遞，從而更新每個 epoch 的權重。為了得到最精確的權重值，這是必要的。

def train(self, X, y, epochs): for epoch in range(epochs): o = self.forward(X) self.backward(X, y, o) self.error_list.append(np.abs(self.o_error).mean())

除了向前和向后傳播之外，我們還將平均絕對誤差(MAE)保存到一個錯誤列表中，以便日后觀察平均絕對誤差在訓練過程中是如何演變的。

步驟4.5: 創建一個預測函數

在訓練過程中對權重進行了微調之后，該算法就可以預測新數據點的輸出。預測的輸出數字有望與實際輸出數字非常接近。

def predict(self, x_predicted): return self.forward(x_predicted).item()

步驟4.6: 繪制平均絕對誤差發展圖

評價機器學習算法質量的方法有很多。經常使用的測量方法之一是平均絕對誤差，這個誤差應該隨著時間的推移而減小。

def view_error_development(self): plt.plot(range(len(self.error_list)), self.error_list) plt.title(’Mean Sum Squared Loss’) plt.xlabel(’Epoch’) plt.ylabel(’Loss’)

步驟4.7: 計算精度及其組成部分

真正、假正、真負和假負的數量描述了機器學習分類算法的質量。訓練后的神經網絡權值更新，使算法能夠準確地預測新的數據點。在二進制分類任務中，這些新數據點只能是1或0。根據預測值是否高于或低于定義的限制，算法將新條目分為1或0。

def test_evaluation(self, input_test, output_test): for i, test_element in enumerate(input_test): if self.predict(test_element) > self.limit and output_test[i] == 1: self.true_positives += 1 if self.predict(test_element) < self.limit and output_test[i] == 1: self.false_negatives += 1 if self.predict(test_element) > self.limit and output_test[i] == 0: self.false_positives += 1 if self.predict(test_element) < self.limit and output_test[i] == 0: self.true_negatives += 1 print(’True positives: ’, self.true_positives, ’nTrue negatives: ’, self.true_negatives, ’nFalse positives: ’, self.false_positives, ’nFalse negatives: ’, self.false_negatives, ’nAccuracy: ’, (self.true_positives + self.true_negatives) / (self.true_positives + self.true_negatives + self.false_positives + self.false_negatives))

當運行 test _ evaluation 函數時，我們得到以下結果:

真正: 2

真負: 4

假正: 0

假負: 0

準確性由以下公式給出：

由此我們可以推斷，在我們的案例中，精確度是1。

第五步: 運行一個腳本來訓練和評估神經網絡模型

NN = NeuralNetwork()NN.train(input_train_scaled, output_train_scaled, 200)NN.predict(input_pred)NN.view_error_development()NN.test_evaluation(input_test_scaled, output_test_scaled)

為了嘗試我們剛剛構建的神經網絡類，我們將首先初始化一個神經網絡類型的對象。然后對訓練數據進行神經網絡訓練，在新訓練的模型在測試向量上進行測試之前，對算法的權值進行200個 epoch 以上的“修正”。然后，在利用測試數據集對模型進行評估之前，繪制誤差圖。

第六步: 改進腳本并使用它

提供的代碼可以很容易地修改，以處理其他類似的情況。我們鼓勵讀者嘗試改變變量并使用自己的數據等等。改進或變更的潛在想法包括但不限于：

泛化代碼以適用于任何輸入和輸出大小的數據 使用平均絕對誤差以外的另一個度量來衡量誤差 使用其他的縮放函數

到此這篇關于Python創建簡單的神經網絡實例講解的文章就介紹到這了,更多相關如何在Python中創建一個簡單的神經網絡內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！