使用NumPy构建神经网络：从头开始打造你的第一个神经网络

2023-11-07 21:04:25

神经网络简介

神经网络是一种受生物神经网络启发的机器学习算法。它由许多简单的人工神经元相互连接组成，可以学习和识别复杂的数据模式。神经网络可以用于各种任务，包括图像分类、自然语言处理、预测模型等等。

使用NumPy构建神经网络

NumPy是一个功能强大的Python库，可以用于科学计算。它提供了许多有用的函数，可以帮助我们轻松地构建神经网络。

首先，我们需要导入NumPy库。

import numpy as np

然后，我们可以开始构建神经网络。一个神经网络通常由输入层、隐藏层和输出层组成。输入层接收数据，隐藏层处理数据，输出层给出结果。

# 定义输入层
input_layer = np.array([[0, 0, 1],
                         [0, 1, 1],
                         [1, 0, 1],
                         [1, 1, 1]])

# 定义隐藏层
hidden_layer = np.array([[0.5, 0.5],
                         [0.5, 0.5]])

# 定义输出层
output_layer = np.array([0, 1])

接下来，我们需要定义激活函数。激活函数用于将神经元的输入转换为输出。

# 定义激活函数
def sigmoid(x):
  return 1 / (1 + np.exp(-x))

然后，我们可以使用激活函数计算神经网络的输出。

# 计算隐藏层的输出
hidden_layer_output = sigmoid(np.dot(input_layer, hidden_layer))

# 计算输出层的输出
output_layer_output = sigmoid(np.dot(hidden_layer_output, output_layer))

最后，我们可以比较神经网络的输出与期望的输出，并计算误差。

# 计算误差
error = output_layer_output - expected_output

# 打印误差
print(error)

使用神经网络进行手势识别

现在，我们可以使用神经网络来进行手势识别任务。

首先，我们需要收集一些手势数据。我们可以使用手势识别数据集，也可以自己收集数据。

# 加载手势识别数据集
data = np.loadtxt('gestures.csv', delimiter=',')

# 分割数据为训练集和测试集
train_data, test_data = np.split(data, [int(0.8 * len(data))])

# 归一化数据
train_data = (train_data - np.min(train_data)) / (np.max(train_data) - np.min(train_data))
test_data = (test_data - np.min(test_data)) / (np.max(test_data) - np.min(test_data))

然后，我们可以使用训练集来训练神经网络。

# 训练神经网络
for epoch in range(100):
  # 计算隐藏层的输出
  hidden_layer_output = sigmoid(np.dot(train_data[:, :-1], hidden_layer))

  # 计算输出层的输出
  output_layer_output = sigmoid(np.dot(hidden_layer_output, output_layer))

  # 计算误差
  error = output_layer_output - train_data[:, -1]

  # 更新权重
  hidden_layer += np.dot(train_data[:, :-1].T, error * output_layer_output * (1 - output_layer_output))
  output_layer += np.dot(hidden_layer_output.T, error * output_layer_output * (1 - output_layer_output))

最后，我们可以使用测试集来评估神经网络的性能。

# 评估神经网络
correct_count = 0
for i in range(len(test_data)):
  # 计算隐藏层的输出
  hidden_layer_output = sigmoid(np.dot(test_data[i, :-1], hidden_layer))

  # 计算输出层的输出
  output_layer_output = sigmoid(np.dot(hidden_layer_output, output_layer))

  # 判断预测结果是否正确
  if np.argmax(output_layer_output) == test_data[i, -1]:
    correct_count += 1

# 计算准确率
accuracy = correct_count / len(test_data)

# 打印准确率
print(accuracy)