Python人工知能アルゴリズム人工ニューラルネットワークの使い方

Artificial Neural Network

(Artificial Neural Network、ANN) は、生物学的ニューラル ネットワークの構造と機能を模倣した数学モデルであり、その目的は、学習とトレーニングを通じて未知の入力データを処理できるようにすることです。複雑な非線形マッピング関係を実行して、適応型のインテリジェントな意思決定を実現します。 ANNは人工知能アルゴリズムの中で最も基本的かつ核となるアルゴリズムであると言えます。

ANN モデルの基本構造には、入力層、隠れ層、出力層が含まれます。入力層は入力データを受け取り、隠れ層はデータのマルチレベル、高次元の変換と処理を担当し、出力層は処理されたデータを出力します。 ANN のトレーニング プロセスでは、ニューラル ネットワークが入力データを正しく予測して分類できるように、複数の反復を通じてニューラル ネットワークの各層の重みを継続的に調整します。

人工ニューラル ネットワーク アルゴリズムの例

次に、単純な人工ニューラル ネットワーク アルゴリズムの例を見てみましょう:

import numpy as np
class NeuralNetwork():
    def __init__(self, layers):
        """
        layers: 数组，包含每个层的神经元数量，例如 [2, 3, 1] 表示 3 层神经网络，第一层 2 个神经元，第二层 3 个神经元，第三层 1 个神经元。
        weights: 数组，包含每个连接的权重矩阵，默认值随机生成。
        biases: 数组，包含每个层的偏差值，默认值为 0。
        """
        self.layers = layers
        self.weights = [np.random.randn(a, b) for a, b in zip(layers[1:], layers[:-1])]
        self.biases = [np.zeros((a, 1)) for a in layers[1:]]
    def sigmoid(self, z):
        """Sigmoid 激活函数."""
        return 1 / (1 + np.exp(-z))
    def forward_propagation(self, a):
        """前向传播."""
        for w, b in zip(self.weights, self.biases):
            z = np.dot(w, a) + b
            a = self.sigmoid(z)
        return a
    def backward_propagation(self, x, y):
        """反向传播."""
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        a = x
        activations = [x]
        zs = []
        for w, b in zip(self.weights, self.biases):
            z = np.dot(w, a) + b
            zs.append(z)
            a = self.sigmoid(z)
            activations.append(a)
        delta = self.cost_derivative(activations[-1], y) * self.sigmoid_prime(zs[-1])
        nabla_b[-1] = delta
        nabla_w[-1] = np.dot(delta, activations[-2].transpose())
        for l in range(2, len(self.layers)):
            z = zs[-l]
            sp = self.sigmoid_prime(z)
            delta = np.dot(self.weights[-l+1].transpose(), delta) * sp
            nabla_b[-l] = delta
            nabla_w[-l] = np.dot(delta, activations[-l-1].transpose())
        return (nabla_w, nabla_b)
    def train(self, x_train, y_train, epochs, learning_rate):
        """训练网络."""
        for epoch in range(epochs):
            nabla_w = [np.zeros(w.shape) for w in self.weights]
            nabla_b = [np.zeros(b.shape) for b in self.biases]
            for x, y in zip(x_train, y_train):
                delta_nabla_w, delta_nabla_b = self.backward_propagation(np.array([x]).transpose(), np.array([y]).transpose())
                nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
                nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
            self.weights = [w-(learning_rate/len(x_train))*nw for w, nw in zip(self.weights, nabla_w)]
            self.biases = [b-(learning_rate/len(x_train))*nb for b, nb in zip(self.biases, nabla_b)]
    def predict(self, x_test):
        """预测."""
        y_predictions = []
        for x in x_test:
            y_predictions.append(self.forward_propagation(np.array([x]).transpose())[0][0])
        return y_predictions
    def cost_derivative(self, output_activations, y):
        """损失函数的导数."""
        return output_activations - y
    def sigmoid_prime(self, z):
        """Sigmoid 函数的导数."""
        return self.sigmoid(z) * (1 - self.sigmoid(z))

次のコード例を使用して、この単純なニューラル ネットワーク アルゴリズムをインスタンス化して使用します。クラス:

x_train = [[0, 0], [1, 0], [0, 1], [1, 1]]
y_train = [0, 1, 1, 0]
# 创建神经网络
nn = NeuralNetwork([2, 3, 1])
# 训练神经网络
nn.train(x_train, y_train, 10000, 0.1)
# 测试神经网络
x_test = [[0, 0], [1, 0], [0, 1], [1, 1]]
y_test = [0, 1, 1, 0]
y_predictions = nn.predict(x_test)
print("Predictions:", y_predictions)
print("Actual:", y_test)

出力結果:

予測: [0.011602156431658403, 0.9852717774725432, 0.9839448924887225, 0.020026540429992387]
実際: [0, 1, 1, 0]

以上がPython人工知能アルゴリズム人工ニューラルネットワークの使い方の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。