我试图用python从零开始实现一个简单的神经网络。这个神经网络只有两个神经元,任务是将输入与输出进行匹配。 (即x = 0→输出= 0,x = 1→输出= 1)具有两个神经元的神经网络
我已经使用了偏导数并尝试使用梯度上升来最大化负损失。 (完整代码如下所示)即使经过超过10000次迭代的训练,输出也不够好。 (我想也许这种损失可能会停留在本地的最大值)。谁能帮我弄清楚我的实现有什么问题吗?
import random
import numpy as np
import math
def sigmoid(x):
return 1/(1 + np.exp(-x))
def error(d,z):
return -0.5 * np.sum(np.power(d-z, 2))
# x = input
##x = np.random.choice((0,1),10000)
x = np.array([0, 1])
# y = desired output
d = np.copy(x)
# weights of two neurons
w = np.random.rand(2)
# now training using backprop
gradient = np.random.rand(2)
iterations = 800
rate = 5
k = 1
for i in xrange(1, iterations + 1):
y = sigmoid(w[0] * x)
z = sigmoid(w[1] * y)
gradient[0] = np.sum(z * w[1] * y * x * (d-z) * (1-y) * (1-z))
gradient[1] = np.sum(y * z * (d-z) * (1-z))
w[0] += gradient[0] * rate
w[1] += gradient[1] * rate
print "Iteration %d, Error %f, Change %f" % (i, error(d,z), ((gradient[0] * rate) ** 2 + (gradient[1] * rate) ** 2)**0.5)
change = ((gradient[0] * rate) ** 2 + (gradient[1] * rate) ** 2)**0.5
if change < 0.00001:
break
## now test
print "1",
x = 1
y = sigmoid(w[0]*x)
z = sigmoid(w[1]*y)
print z
print "0",
x = 0
y = sigmoid(w[0]*x)
z = sigmoid(w[1]*y)
print z
谢谢!非常好的解释。 – smb564