Matlab神经网络（一）

一：从生物角度开始

几乎地球上每一种动物都有其特定的神经系统，都是由简单的神经元组合成神经网络，然后完成其特定的功能。比如，简单的低等动物，就像蚂蚁。可能只有几十万个神经元。但可以完成觅食，战斗，判别气味等等复杂的功能。人类的计算机可以模拟上亿个神经元。在理论上讲，能完成的工作远远不止这些。

二：神经元的结构

这是一个人工神经元的结构，模拟了一个生物意义上的神经元。其中x1,x2,x3.......都表示输入，wk1,wk2,wk3表示的是这个神经元对各个输入的权值。bk代表阈值，然后经过一个激活函数处理。得到了这一个神经元的输出，也就是下一个神经元的输入。大家对比一下下面的大脑神经元图片。发现有多相似点。

学过中学生物的都了解，一个神经元有很多树突，这都是这个神经元的输入信号。有一个轴突，是这个神经元的输出信号。轴突的末端分出很多条触手，分别对应到别的神经元的树突，这样就完成了信号的传播。在神经元中，信号的强弱会受到神经元的处理，对应着人工神经元的激活函数。很多个神经元按照如下方式组合在一起，就模拟人的神经系统，得到了神经网络。一个初级模型。

我们就要介绍网络输出与实际输出如何构建联系。

要构建输入神经元与结果（标签）的联系。需要用到一个数学上的概念：梯度下降以及反向传播。下面我们举一个例子

以上神经网络中，x1,x2,x3,x4为输入神经元。每一组输入都对应着一个标签（结果）。神经网络的核心是神经元的权重和阈值。作用是决定每个输入在结果中的重要程度。中间层（隐藏层）越多。拟合的效果越好。但是较少的训练样本对应特别高的拟合程度，会造成比较严重的后果：过拟合，所以不要用过多的隐藏层神经元。

1、反向传播与梯度下降

这是神经网络的核心内容。首先，记住这样一句话：梯度方向是下降速度最快的方向，别问为什么，记住就行了。各位也不要留言问我这个问题，太复杂了，实在不想写。所以，神经网络根据误差调整权值的时候是按照梯度下降的方向调整的。

其次：反向传播实质是误差信息的反向传播。因为只有将误差信息反向传播，才能让前面的神经元知道如何调整自己的权值和阈值。才能优化网络。反向传播也要按照权值来分配误差信息，权值大的神经元调整幅度也大，权值小的神经元调整幅度小，毕竟权值大的应该负主要责任。

2、误差

误差就是你要优化的对象，神经网络的设定是让误差最小。我举一个例子：比如给你一堆自变量x1,x2,x3,x4。一个因变量y1。在训练集中。有一组数据是[2,4,6,7]与12。神经网络输出是11.那么误差就是11-12=-1.误差就是"实际输出-网络输出"。目标函数要让误差最小。才能达到精确预测的目的。

3、链式求导法则

为了让大家更简单的理解神经网络，链式求导的数学原理就不写了。大家也没必要搞得很明白。只需要记住，误差反向传播的过程中，会经过好几层神经元。最后第一层的误差经过权值分配后是倒数第二层的误差。倒数第二层的误差经过下一层权值的分配成为倒数第三层的误差........。依次类推。最后传播到第一层，误差的车轮碾过所有的神经元。改变了所有的权值和阈值，一次训练完成.......。

经过很多次训练以后，权值和阈值都优化到了非常好的地步，就可以进行预测了。

三：神经元的功能

1：输入与输出

对于每一个神经元来讲，输入和输出对于它来讲都十分重要。在这里再引入几个概念概念：

1.1权重w(i,j)。

代表的意思是上一层第i个神经元的输入以多大的比重到达这一层神经网络的第j个神经元.

1.2阈值B。

每个隐藏层神经元都有一个阈值。对应到生物中，意思是信号到了一定的强度才会激发。

1.3激活函数

神经元输入的信号需要经过处理才能够输出，处理输入信号的函数叫做激活函数。常见的激活函数如下

以上函数有共同的特点，将很大范围类的数字集中到很小的区间类，这样能方便进行处理。

四：代码实现

首先我们要定义上面的一些量，这一次我用到的是python作为开发工具。首先定义激活函数，我们用tanh(x)

def tanh(x):return np.tanh(x)def tanh_deriv(x):return 1.0 - np.tanh(x) * np.tanh(x)

下一步，我们定义这个神经网络。

class NeuralNetwork:def __init__(self, layers, activation='tanh'):if activation == 'logistic':self.activation = logisticself.activation_deriv = logistic_derivativeelif activation == 'tanh':self.activation = tanhself.activation_deriv = tanh_derivself.weights = []for i in range(1, len(layers) - 1):self.weights.append((2 * np.random.random((layers[i - 1] + 1, layers[i] + 1)) - 1) * 0.25)self.weights.append((2 * np.random.random((layers[-2] + 1, layers[-1])) - 1) * 0.25)

self.weights用来储存这些神经元的权值和阈值。一个for循环，用随机数初始化这些权值。跳出循环后加上阈值。这样就构成了一个神经网络简单模型。

此神经网络的功能是预测。我们还需要定义下面一个功能，由于篇幅有限，关于下面的代码，我在下一篇推送中会详细介绍。

def predict(self, x):x = np.array(x)temp = np.ones(x.shape[0] + 1)temp[0:-1] = xa = tempfor l in range(0, len(self.weights)):a = self.activation(np.dot(a, self.weights[l]))return a

下面，我演示一下这个简单的神经网络，我们定义了三层神经网络，实例化的nn就是这样nn = NeuralNetwork([2, 3, 1])。输入层有两个神经元，隐藏层有三个，输出层有一个。这样我们的输入就必须是两个，比如[[0, 0], [0, 1], [1, 0], [1, 1]]。这就是我们用到的输入，一共有四组，每组有两个，输出必须是一个，[0, 1, 1, 0]这是我们用到的四组输出，每组一个，与输入相互对应。这属于训练集。大家有什么不懂的，欢迎留言，我以后详细讲解。

大家记住，这是一个没有经过训练的神经网络，所以网络的输出和实际输出差距很大(网络输出在右下角，实际输出就是定义的四组输出)，以后我会讲如何训练神经网络。到时候会达到惊人的吻合。

下面就是全部的代码（一个简单的框架，以后进一步完善）。

import numpy as npdef tanh(x):return np.tanh(x)def tanh_deriv(x):return 1.0 - np.tanh(x) * np.tanh(x)class NeuralNetwork:def __init__(self, layers):self.activation = tanhself.activation_deriv = tanh_derivself.weights = []for i in range(1, len(layers) - 1):self.weights.append((2 * np.random.random((layers[i - 1] + 1, layers[i] + 1)) - 1) * 0.25)self.weights.append((2 * np.random.random((layers[-2] + 1, layers[-1])) - 1) * 0.25)def predict(self, x):x = np.array(x)temp = np.ones(x.shape[0] + 1)temp[0:-1] = xa = tempfor l in range(0, len(self.weights)):a = self.activation(np.dot(a, self.weights[l]))return ann = NeuralNetwork([2, 3, 1])
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([0, 1, 1, 0])
for i in [[0, 0], [0, 1], [1, 0], [1, 1]]:print(i, nn.predict(i))

另外本人还开设了个人公众号：JiandaoStudio ，会在公众号内定期发布行业信息，以及各类免费代码、书籍、大师课程资源。

扫码关注本人微信公众号，有惊喜奥！公众号每天定时发送精致文章！回复关键词可获得海量各类编程开发学习资料！

例如：想获得Python入门至精通学习资料，请回复关键词Python即可。