当前位置: 首页 > java >正文

通俗易懂神经网络:从基础到实现

引言

神经网络是人工智能和深度学习的核心,它模仿人脑的工作方式,通过数据学习复杂的模式。本文将以通俗易懂的方式讲解神经网络的基础知识,包括单层神经网络、多层神经网络,最后用Python代码实现一个简单的神经网络模型。


1. 神经网络模型基础

1.1 什么是神经网络?

神经网络是由神经元(Neurons)组成的计算系统,它接收输入数据,经过一系列计算后输出预测结果。其核心思想是模仿人脑神经元之间的连接方式

图表:人工神经元结构示意图

输入x1
加权求和
输入x2
输入xn
激活函数f
输出y
偏置b

扩展说明:
每个神经元会对输入加权求和,加上偏置后通过激活函数,输出结果。激活函数赋予网络非线性表达能力。

1.2 神经元的结构

一个神经元的基本计算方式如下:

输出=f(w1x1+w2x2+⋯+wnxn+b) \text{输出} = f(w_1 x_1 + w_2 x_2 + \dots + w_n x_n + b)\,输出=f(w1x1+w2x2++wnxn+b)

其中:

  • (x1,x2,…,xnx_1, x_2, \dots, x_nx1,x2,,xn) 是输入数据
  • (w1,w2,…,wnw_1, w_2, \dots, w_nw1,w2,,wn) 是权重(决定输入的重要性)
  • (bbb) 是偏置(调整输出的偏移量)
  • (fff) 是激活函数(引入非线性)

1.3 常见的激活函数

函数名称公式特点
Sigmoidσ(x)=11+e−x \sigma(x) = \frac{1}{1 + e^{-x}} \,σ(x)=1+ex1输出0~1,适合二分类
ReLUReLU(x)=max⁡(0,x) \text{ReLU}(x) = \max(0, x) \,ReLU(x)=max(0,x)计算快,缓解梯度消失
Tanhtanh⁡(x)=ex−e−xex+e−x  \tanh(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}} \,tanh(x)=ex+exexex输出-1~1,适合回归

图表:常见激活函数对比思维导图
在这里插入图片描述

扩展说明:
激活函数的选择会影响神经网络的收敛速度和表达能力。ReLU因其高效和缓解梯度消失问题,在深度网络中应用最广。


2. 单层神经网络(感知机)

单层神经网络(Perceptron)是最简单的神经网络,仅包含输入层和输出层,没有隐藏层。

图表:单层感知机结构图

输入x1
Σ
输入x2
输入xn
激活函数
输出y

2.1 数学表示

y=f(wTx+b) y = f(\mathbf{w}^T \mathbf{x} + b) y=f(wTx+b)

  • (x \mathbf{x}\,x) 是输入向量
  • (w \mathbf{w}\,w) 是权重向量
  • (bbb) 是偏置
  • (fff) 是激活函数(如Sigmoid)

2.2 应用场景

  • 线性分类(如逻辑回归)
  • 简单二分类问题

扩展说明:
单层感知机只能解决线性可分问题,无法拟合复杂的非线性关系。


3. 多层神经网络(深度神经网络)

多层神经网络(MLP, Multi-Layer Perceptron)包含输入层、隐藏层、输出层,能够学习更复杂的非线性关系。

图表:多层神经网络结构图

输入x1
隐藏层神经元1
隐藏层神经元2
输入x2
输出y

3.1 结构

  • 输入层:接收原始数据(如像素、文本)
  • 隐藏层:多个非线性变换层(常用ReLU)
  • 输出层:最终预测(如分类概率)

3.2 前向传播

数据从输入层逐层计算到输出层:
h1=f(W1x+b1)h2=f(W2h1+b2)…y=f(Wnhn−1+bn) \mathbf{h}_1 = f(\mathbf{W}_1 \mathbf{x} + \mathbf{b}_1) \\ \mathbf{h}_2 = f(\mathbf{W}_2 \mathbf{h}_1 + \mathbf{b}_2) \\ \dots \\ \mathbf{y} = f(\mathbf{W}_n \mathbf{h}_{n-1} + \mathbf{b}_n) h1=f(W1x+b1)h2=f(W2h1+b2)y=f(Wnhn1+bn)

图表:前向传播流程图

输入层
隐藏层1
隐藏层2
输出层

3.3 反向传播(Backpropagation)

通过计算损失函数的梯度,调整权重和偏置:
w←w−η∂L∂w \mathbf{w} \leftarrow \mathbf{w} - \eta \frac{\partial L}{\partial \mathbf{w}} wwηwL
其中:

  • (LLL) 是损失函数(如交叉熵、MSE)
  • (η \eta\,η) 是学习率

图表:反向传播流程图

计算损失
计算梯度
计算梯度
计算梯度
输出层
隐藏层2
隐藏层1
输入层
损失函数

扩展说明:
前向传播负责计算输出,反向传播则根据损失调整参数,是神经网络学习的核心机制。


4. 神经网络代码简单实现(Python)

使用 numpysklearn 实现一个简单的多层神经网络(MLP)进行二分类。

4.1 数据准备

import numpy as np
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split# 生成非线性数据集
X, y = make_moons(n_samples=1000, noise=0.2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4.2 定义神经网络

class NeuralNetwork:def __init__(self, input_size, hidden_size, output_size):# 初始化权重self.W1 = np.random.randn(input_size, hidden_size) * 0.01self.b1 = np.zeros(hidden_size)self.W2 = np.random.randn(hidden_size, output_size) * 0.01self.b2 = np.zeros(output_size)def relu(self, x):return np.maximum(0, x)def sigmoid(self, x):return 1 / (1 + np.exp(-x))def forward(self, X):# 前向传播self.z1 = np.dot(X, self.W1) + self.b1self.a1 = self.relu(self.z1)self.z2 = np.dot(self.a1, self.W2) + self.b2self.y_pred = self.sigmoid(self.z2)return self.y_preddef backward(self, X, y, lr=0.01):# 反向传播m = X.shape[0]# 计算梯度d_z2 = self.y_pred - y.reshape(-1, 1)d_W2 = np.dot(self.a1.T, d_z2) / md_b2 = np.sum(d_z2, axis=0) / md_a1 = np.dot(d_z2, self.W2.T)d_z1 = d_a1 * (self.a1 > 0)  # ReLU的导数d_W1 = np.dot(X.T, d_z1) / md_b1 = np.sum(d_z1, axis=0) / m# 更新权重self.W1 -= lr * d_W1self.b1 -= lr * d_b1self.W2 -= lr * d_W2self.b2 -= lr * d_b2def train(self, X, y, epochs=1000, lr=0.01):for epoch in range(epochs):y_pred = self.forward(X)loss = -np.mean(y * np.log(y_pred) + (1 - y) * np.log(1 - y_pred))self.backward(X, y, lr)if epoch % 100 == 0:print(f"Epoch {epoch}, Loss: {loss:.4f}")

4.3 训练与测试

# 初始化网络
nn = NeuralNetwork(input_size=2, hidden_size=4, output_size=1)# 训练
nn.train(X_train, y_train, epochs=1000, lr=0.1)# 测试
y_pred = (nn.forward(X_test) > 0.5).astype(int)
accuracy = np.mean(y_pred.flatten() == y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

输出示例

Epoch 0, Loss: 0.6931
Epoch 100, Loss: 0.3521
Epoch 200, Loss: 0.2104
...
Test Accuracy: 93.33%

5. 神经网络的应用场景

图表:神经网络应用场景思维导图

在这里插入图片描述

扩展说明:
神经网络广泛应用于图像、语音、文本等多种领域,是现代人工智能的基石。


总结

  • 单层神经网络:适合简单线性问题(如逻辑回归)。
  • 多层神经网络(MLP):能学习复杂非线性关系,是深度学习的基础。
  • 代码实现:使用 numpy 手动实现前向传播、反向传播,训练一个简单的分类模型。

希望这篇博客能帮助你理解神经网络的基本原理!🚀 如果有问题,欢迎留言讨论!

http://www.xdnf.cn/news/15852.html

相关文章:

  • 学习日志15 python
  • 零基础入门 AI 运维:Linux 部署全栈项目实战(MySQL+Nginx + 私有化大模型)
  • 【1】计算机视觉方法(更新)
  • selenium4 web自动化测试
  • 面向对象基础笔记
  • QFutureInterface和QFuture间联系与区别
  • 《计算机网络》实验报告五 DNS协议分析与测量
  • 两个数据表的故事第 2 部分:理解“设计”Dk
  • ThinkPHP8极简上手指南:开启高效开发之旅
  • 项目案例:苏宁易购评论获取
  • 民法学学习笔记(个人向) Part.1
  • 【智能协同云图库】第一期:用户管理接口设计与功能实现
  • 【Java学习|黑马笔记|Day18】Stream流|获取、中间方法、终结方法、收集方法及其练习
  • 超大整数任意进制之间在线转换工具
  • 剑指offer67_构建乘积数组
  • 周志华《机器学习导论》第11章 特征选择与稀疏学习
  • PyTorch里的张量及张量的操作
  • [前端技术基础]CSS选择器冲突解决方法-由DeepSeek产生
  • 前端的测试
  • 如何实战优化SEO关键词提升百度排名?
  • 深度学习图像分类数据集—百种病虫害分类
  • 【KDD2025】时间序列|Merlin:不固定缺失率下时间序列预测新SOTA!
  • C++ - 仿 RabbitMQ 实现消息队列--服务端核心模块实现(一)
  • 服务器上的文件复制到本地 Windows 系统
  • python网络爬虫小项目(爬取评论)超级简单
  • git fork的项目远端标准协作流程 仓库设置[设置成upstream]
  • 快速上手git
  • LINUX入门(二)QT的安装及运行环境搭建
  • 【实习总结】Qt中如何使用QSettings操作.ini配置文件
  • Vue中组件的生命周期