Question

我一直在努力研究人工智能，但我对此有疑问。

def sigmoid(x):
return 1/(1+np.exp(-x))

# Derivative of the sigmoid function
def sigmoid_prime(x):
    return sigmoid(x) * (1 - sigmoid(x))

x = np.array([0.1, 0.3])
y = 0.2
weights = np.array([-0.8, 0.5])

# The learning rate, eta in the weight step equation
learnrate = 0.5

# The neural network output
nn_output = sigmoid(x[0]*weights[0] + x[1]*weights[1])
# or nn_output = sigmoid(np.dot(x, w))

# output error
error = y - nn_output

# error gradient
error_grad = error * sigmoid_prime(np.dot(x,w))

# Gradient descent step
del_w = [ learnrate * error_grad * x[0],
          learnrate * error_grad * x[1]]
# or del_w = learnrate * error_grad * x

疑惑：

为什么我们只将权重乘以x，而不是y？

nn_output = sigmoid(x[0]*weights[0] + x[1]*weights[1])

为什么我们在计算梯度下降时增加x的值？

del_w = [ learnrate * error_grad * x[0],
learnrate * error_grad * x[1]]

与x[0]和x[1]

相似

Answer 1

嗯。比喻救援！

想象一下，你正在将大炮瞄准目标。您可以调整目标曲柄（w）以移动大炮（x）以击中目标（y）。所以你试图通过将曲柄设置（w）应用到大炮（x）; 您无法使用目标本身（y），，因为它不在您的控制之下。所以你开火了，你从目标（nn_output）击中了一些位置。您可以看到错过了哪种方式以及您错过了多少（error）以了解如何更改下一次拍摄的方位角和角度（w）。

实际上，更准确地说，在神经网络中，x（“输入”）并不是真正的大炮，而是所有射击的情况：风速，加农炮位置，加农炮模型和特殊性。 .. w（“重量”）实际上不仅仅是一个曲柄：我们根据所有x参数设置曲柄的知识（“如果加农炮离目标很远，那就是角度更高的“，”如果风来自北方，就这样调整“......）。

learnrate是你在调整中的两倍。较高的学习率意味着你可以更快地调整（当你偏离目标时很好），但是当你需要更好的控制时，你可能会在另一个方向上超调。

可能让您感到困惑的一件事是x和y不是坐标，因此在其应用中并不对称。当您在屏幕上绘制圆圈时，同样对待x和y是有意义的。但是，在此处，x和y的关键值不同：x是实际输入（例如x[0]风速，x[1]风向，{{1}大炮年龄，x[2]雷达上的光点方向，x[3]与雷达上的光点距离......），x[4]是应该的输出（ y目标的经度，目标的y[0]纬度） - 并且将它们视为同样没有任何意义。

怀疑神经网络python代码

1 个答案: