神经网络正向传播：原理与机制

人工智能

2024-01-12 01:06:40

神经网络正向传播：揭开神经网络魔法的面纱

神经网络，人工智能领域的基石，以其从数据中学习并做出预测的能力而闻名。这个过程的基石正是正向传播。让我们潜入神经网络的内部，揭开正向传播的奥秘。

什么是神经网络正向传播？

正向传播是神经网络从输入到输出单向流动信息的过程。它始于输入层，信息层层传递，最终在输出层产生网络的预测。在这个旅程中，神经网络学习理解数据并提取模式。

单层神经网络的正向传播

让我们从一个简单的单层神经网络开始。这个网络有三个层：输入层、隐藏层和输出层。

输入层： 接收原始数据（例如图像像素）。

隐藏层： 包含多个神经元，每个神经元计算输入数据的加权和。

输出层： 产生网络的最终输出，通常是预测。

正向传播的步骤：

计算隐藏层神经元的加权和。
将加权和传递给激活函数（例如 ReLU 或 sigmoid）。
激活函数产生神经元的输出。
将输出传递到输出层。
在输出层重复步骤 1-3。

多层神经网络的正向传播

对于多层神经网络，正向传播过程类似。信息从输入层依次传递到多个隐藏层，再到输出层。每层的每个神经元都接收上一层的输出并执行相同的前馈计算。

正向传播的代码示例

import numpy as np

# 定义单层神经网络
class SingleLayerNeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.W1 = np.random.randn(input_size, hidden_size)
        self.b1 = np.random.randn(hidden_size)
        self.W2 = np.random.randn(hidden_size, output_size)
        self.b2 = np.random.randn(output_size)

    def forward(self, x):
        # 计算隐藏层输出
        z1 = np.dot(x, self.W1) + self.b1
        a1 = np.relu(z1)

        # 计算输出层输出
        z2 = np.dot(a1, self.W2) + self.b2
        y = np.sigmoid(z2)

        return y

# 创建神经网络
model = SingleLayerNeuralNetwork(input_size=2, hidden_size=3, output_size=1)

# 正向传播
x = np.array([1, 2])
y = model.forward(x)
print(y)