初识神经网络----一

一、几个np的常用函数

    ①np.sum：相比于简单的相加，sum可以实现矩阵相加。应用于两个list需要相加，可以用for循环逐个相加，亦可以sum

    ②np.dot/np.multiply:前者是真正意义上的矩阵乘法，后面的只是相应的位置相乘，从而得到一个结果

     ③np.float_，将正数转换成float，很多结果需要小数形式表示

二、交叉熵

首先看一个图，这个图通过对四个点进行计算，得到其判断的结果及相应的概率

有两个判定结果，那么我们怎么判断哪个2结果更好呢？

我们引入交叉熵的概念，交叉熵越小，表示结果越好

如图所示，我们通过分类得到三个颜色对应有礼物的概率分别为0.8，0.7，0.1

那么现实中哪种情况更有可能呢？

最右面一列，利用公式计算

为什么用 ln() 函数 :约定俗称 ＋ 计算出的数值合理，得到一个最小的，即可以判断我们最可能的情况

那么这是有或者没有，两种情况，那么对于三种情况呢？例如我们在图像识别，可能是鸭子，企鹅，大象

我们引入一个单热点编码，得到一个类似的二维矩阵，可以想象上面的是这个方程的 m = 2时候的形式

三、误差函数

我们先来看一段代码

1. def sigmoid(x):  

2.     return 1 / (1 + np.exp(-x))  

3.   

4. def output_formula(features, weights, bias):  

5.     return sigmoid(np.dot(features, weights) + bias)  

6.   

7. def error_formula(y, output):  

8.     return - y*np.log(output) - (1 - y) * np.log(1-output)  

9.   

10. def update_weights(x, y, weights, bias, learnrate):  

11.     output = output_formula(x, weights, bias)  

12.     d_error = -(y - output)  

13.     weights -= learnrate * d_error * x #//////////////  

14.     bias -= learnrate * d_error   #############  

15.     return weights, bias  

做标注的两行进行了权值更新，即x - 学习率*x*(y-output)  //当然后面的 y-output不一定是这样，对于不同的损失函数也不同

原文出处