了解神经网络工作方式的***途径莫过于亲自创建一个神经网络，本文将演示如何做到这一点。
神经网络(NN)又称人工神经网络(ANN)，是机器学习领域中基于生物神经网络概念的学习算法的一个子集。
拥有五年以上经验的德国机器学习专家Andrey Bulezyuk声称：“神经网络正在彻底改变机器学习，因为它们能够在广泛的学科和行业中为抽象对象高效建模。”
人工神经网络基本上由以下组件组成：
- 输入层：接收并传递数据
- 隐藏层
- 输出层
- 各层之间的权重
- 每个隐藏层都有一个激活函数。在这个简单的神经网络Python教程中，我们将使用Sigmoid激活函数。
神经网络有多种类型。在本项目中，我们将创建前馈或感知神经网络。这种类型的ANN直接将数据从前向后传递。
前馈神经元的训练往往需要反向传播，它为网络提供了相应的输入和输出集。当输入数据被传送到神经元时，经过处理后，产生一个输出。
下面的图表显示了一个简单的神经网络的结构：
了解神经网络如何工作的***方法是学习如何从头开始构建神经网络(而不是采用任何库)。
在本文中，我们将演示如何利用Python编程语言创建一个简单的神经网络。
问题
如下是一个展示问题的表格。
我们将提供一个新的数据集，利用它训练神经网络，从而能够预测正确的输出值。
正如上表所示，输出值总是等于输入部分中的***个值。因此，我们期望输出的值为1。
让我们看看是否可以使用Python代码来得出相同的结果(你可以在本文末尾仔细阅读这个项目的代码，然后再继续阅读本文)。
创建一个NeuralNetwork类
我们将用Python创建一个NeuralNetwork类来训练神经元，以期给出准确的预测。这个类还会有其他的帮助函数。
即使我们不会在这个简单的神经网络示例中使用神经网络库，我们也将导入numpy库来辅助计算。
numpy库提供了以下四种重要方法：
- exp—用于生成自然指数
- array—用于生成矩阵
- dot—用于矩阵相乘
- random—用于生成随机数。请注意，我们将生成随机数，以确保它们的有效分布。
1. 应用Sigmoid函数
我们将使用Sigmoid函数，来绘制一个特征“S”型曲线，作为神经网络的激活函数。
此函数可以将任何值映射到0到1之间的值，它将有助于我们对输入的加权和归一化。
此后，我们将创建Sigmoid函数的导数，以帮助计算权重的调整参数。
可以利用Sigmoid函数的输出来生成它的导数。例如，如果输出变量为“x”，则其导数为x*(1-x)。
2. 训练模型
这是我们教神经网络做出准确预测的阶段。每个输入都有一个权重-可为正值或负值。这意味着：有较大的正权重或负权重的输入会对结果的输出产生更大的影响。请记住，我们最初是通过为每个随机数分配一个权重后开始的。
下面是这个神经网络示例的训练过程：
***步：从训练数据集中提取输入，根据训练数据集的权重进行调整，并通过一种计算神经网络输出的方法对其进行筛选。
第二步：计算反向传播错误率。在这种情况下，它是神经元的预测输出与训练数据集的期望输出之间的差异。
第三步：利用误差加权导数公式，根据所得到的误差范围，进行了一些较小的权值调整。
第四步：对这一过程进行15000次迭代。在每次迭代中，整个训练集被同时处理。
我们使用“.T”函数将矩阵从水平位置转换为垂直位置。因此，数字将以如下方式存储：
最终，神经元的权重将根据所提供的训练数据进行优化。随后，如果让神经元考虑一个新的状态，与先前的状态相同，它便可以作出一个准确的预测。这就是反向传播的方式。
打包运行
***，NeuralNetwork类初始化成功后，可以运行代码了。
下面是如何在Python项目中创建神经网络的完整代码：
- import numpy as np
- class NeuralNetwork():
- def __init__(self):
- # seeding for random number generation
- np.random.seed(1)
- #converting weights to a 3 by 1 matrix with values from -1 to 1 and mean of 0
- self.synaptic_weights = 2 * np.random.random((3, 1)) - 1
- def sigmoid(self, x):
- #applying the sigmoid function
- return 1 / (1 + np.exp(-x))
- def sigmoid_derivative(self, x):
- #computing derivative to the Sigmoid function
- return x * (1 - x)
- def train(self, training_inputs, training_outputs, training_iterations):
- #training the model to make accurate predictions while adjusting weights continually
- for iteration in range(training_iterations):
- #siphon the training data via the neuron
- output = self.think(training_inputs)
- #computing error rate for back-propagation
- error = training_outputs - output
- #performing weight adjustments
- adjustments = np.dot(training_inputs.T, error * self.sigmoid_derivative(output))
- self.synaptic_weights += adjustments
- def think(self, inputs):
- #passing the inputs via the neuron to get output
- #converting values to floats
- inputsinputs = inputs.astype(float)
- output = self.sigmoid(np.dot(inputs, self.synaptic_weights))
- return output
- if __name__ == "__main__":
- #initializing the neuron class
- neural_network = NeuralNetwork()
- print("Beginning Randomly Generated Weights: ")
- print(neural_network.synaptic_weights)
- #training data consisting of 4 examples--3 input values and 1 output
- training_inputs = np.array([[0,0,1],
- [1,1,1],
- [1,0,1],
- [0,1,1]])
- training_outputs = np.array([[0,1,1,0]]).T
- #training taking place
- neural_network.train(training_inputs, training_outputs, 15000)
- print("Ending Weights After Training: ")
- print(neural_network.synaptic_weights)
- user_input_one = str(input("User Input One: "))
- user_input_two = str(input("User Input Two: "))
- user_input_three = str(input("User Input Three: "))
- print("Considering New Situation: ", user_input_one, user_input_two, user_input_three)
- print("New Output data: ")
- print(neural_network.think(np.array([user_input_one, user_input_two, user_input_three])))
- print("Wow, we did it!")
运行代码之后的输出：
这样，我们便成功地创建了一个简单的神经网络。
神经元首先给自己分配一些随机权重，接着，利用训练实例进行了自我训练。
之后，如果出现新的状态[1,0,0]，则它得出的数值为0.9999584。
还记得我们想要的正确答案是1吗？
这个数值非常接近，Sigmoid函数输出值在0到1之间。
当然，在这个例子中，我们只使用一个神经元网络来完成简单的任务。如果我们把几千个人工神经网络连接在一起，情况将会是怎样呢？我们能不能完全模仿人类的思维方式呢？
