Python3机器学习实践：BP神经网络理论与实例

fig.png

• 符号说明

1. 神经网络的层数m，也就是包括一个输入层，m-2个隐层，一个输出层；

2. 输入层为I，其节点数等于单个样本的输入属性数N_i；
   隐层输出为Hh，h为1到m-2，每一个隐层的节点数为Nh；
   输出层为O，其节点数等于单个样本的输出属性数N_o；
   样本真实输出为R；

3. 层之间连接的权重为Wq，q为0到m-2，Wq矩阵的大小为(g, t), g为该隐层前一层的节点数，t为该隐层的节点数；
   对应的偏置为Bq，Bq矩阵的大小为(1, t), t为该隐层的节点数；

4. 隐层的激活函数Ah，h为0到m-2。每一层的激活函数可以不同，但是大多数情形下设置为相同的；

   常用的激活函数：Sigmoid，Tanh，ReLu。选择激活函数时一定要注意：输出层激活函数的输出尺度一定要和样本的输出数据是同一尺度。例如Sigmoid的输出是0-1，因此样本的输出也应该转化到0-1之间。

5. 输出层O与样本真实输出R之间的成本函数C，回归问题用最小二乘函数， 分类问题用交叉熵函数；

6. s为子样本数，也就是一次训练过程中的样本数。当s为1是在线学习；当s为k，也就是全部样本数，为增量学习；s为小于k的其他数值为批量学习，比较常用；

7. 运算符号说明：+为numpy数组的广播运算加法；×为矩阵对应元素相乘；表示矩阵乘法；

• 
  

  
  

  回归问题

  

  reg.png

• 
  

  
  

  分类问题

  

  class.png

• 
  

  
  

  训练结果

  

  ten_train.png

• 
  

  
  

  预测结果

  

  ten_predict.png

• 
  

  
  

  训练结果

  

  tensorflow.gif

• 
  

  
  

  预测结果

  

  ten_mnist.jpg

  

  image

实例代码：回归，分类

作者：AiFan
链接：https://www.jianshu.com/p/779967c3baa7