神经网络基础-神经网络补充概念-15-神经网络概览

概念

神经网络是一种机器学习模型，受到人脑神经元网络的启发而设计。它可以用来解决各种各样的问题，包括图像识别、自然语言处理、语音识别、游戏策略等。神经网络的核心思想是通过一系列的层次结构，从原始数据中自动地学习和提取特征，然后进行预测或分类。

核心概念

神经元（Neuron）：神经元是神经网络的基本单元。每个神经元接收一组输入，进行一些计算，并产生一个输出。神经元的计算通常包括加权和（将输入乘以权重）和非线性变换（例如激活函数）。

层（Layer）：神经网络通常由多个层组成。每一层都由一组神经元组成，它们共同学习某些特征或模式。神经网络一般包括输入层、若干隐藏层和输出层。

前向传播（Forward Propagation）：前向传播是神经网络中的计算过程，从输入层开始，逐层计算并传递信号，最终得到输出。在前向传播过程中，每个神经元计算其加权和并通过激活函数产生输出。

激活函数（Activation Function）：激活函数引入了非线性性质，允许神经网络学习非线性函数。常用的激活函数包括 Sigmoid、ReLU（Rectified Linear Unit）、Tanh 等。

权重（Weights）和偏置（Biases）：神经元之间的连接有权重，权重控制了输入对神经元的影响程度。每个神经元还有一个偏置项，用来调整神经元的输出。

损失函数（Loss Function）：损失函数用来衡量神经网络的输出与实际标签之间的差距。训练神经网络的目标是最小化损失函数。

反向传播（Backpropagation）：反向传播是训练神经网络的关键步骤。它通过计算损失函数对于权重和偏置的梯度，然后使用梯度下降等优化算法来更新网络的参数，从而减小损失函数。

优化算法（Optimization Algorithms）：梯度下降是神经网络训练的基本优化算法。其他高级算法如随机梯度下降、Adam、RMSProp等也被广泛使用，以加快收敛和优化过程。

深度学习（Deep Learning）：深度学习是一种特殊类型的神经网络，具有多个隐藏层。深度学习模型具有更强大的表达能力，可以学习到更抽象的特征和模式。

过拟合（Overfitting）：神经网络容易在训练数据上过度拟合，导致在测试数据上性能下降。常用的解决方法包括正则化、早停等。

代码实现

import numpy as np

# 生成模拟数据
np.random.seed(42)
m = 100
n_input = 2
n_hidden = 4
n_output = 1
X = np.random.randn(m, n_input)
y = (X[:, 0] + X[:, 1] > 0).astype(int)

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

# 初始化权重和偏置
W1 = np.random.randn(n_input, n_hidden)
b1 = np.zeros((1, n_hidden))
W2 = np.random.randn(n_hidden, n_output)
b2 = np.zeros((1, n_output))

# 定义前向传播
def forward_propagation(X):
    z1 = X.dot(W1) + b1
    a1 = sigmoid(z1)
    z2 = a1.dot(W2) + b2
    a2 = sigmoid(z2)
    return a2

# 计算损失函数（交叉熵损失）
def compute_loss(y_pred, y_true):
    m = len(y_true)
    loss = (-1/m) * np.sum(y_true * np.log(y_pred) + (1 - y_true) * np.log(1 - y_pred))
    return loss

# 执行前向传播
y_pred = forward_propagation(X)

# 计算损失
loss = compute_loss(y_pred, y)

print("损失:", loss)