神经网络原来这么简单，机器学习入门贴送给你 | 干货

import numpy as np  def mse_loss(y_true, y_pred):   # y_true and y_pred are numpy arrays of the same length.   return ((y_true - y_pred) ** 2).mean()  y_true = np.array([1, 0, 0, 1]) y_pred = np.array([0, 0, 0, 0])  print(mse_loss(y_true, y_pred)) # 0.5  训练神经网络——最小化损失

计算了损失函数之后，就需要将损失最小化，这也是训练神经网络的最终目的所在。

接下来帖子有一段多变量演算，涉及微积分。

作者表示，

如果对微积分不满意，可随时跳过。

简单起见，我们就假设这个数据集中只有Alice。

那么，它的损失函数就是这样。

那么它的权重w跟偏差b，在图上标示，那么就有6个权重变量，3个偏差变量。

于是，便将损失函数写为多变量函数。

想象一下，我们只要调整w1，就可能导致L的变化。那具体是如何变化的呢？这就需要计算偏导数了。

利用链式求导法则进行反向求导，而这一过程就叫做反向传播。

详细计算过程就不放在这里了，大家去他个人网站去看哦~（链接已附文末）

作者温馨提示，看这个过程的时候不要着急，拿出手中的笔和纸，能够帮助你理解。

接下来，使用随机梯度下降的优化算法，公式表示如下（以w1为例）：

其中的“学习速率”控制着训练速度，过大或者过小都不合适。

如果我们将所有的变量都进行这样的优化，那么损失函数将逐渐减少，神经网络就能够得到改善。

简单来说，整个训练过程是这样的：

1、数据集中选择一个样本，就如Alice。

2、利用反向传播计算所有变量的偏导数。

3、使用随机梯度下降来训练神经网络，更新变量。

4、返回步骤1。

神经网络的部分就介绍到这里，怎么样？看完之后，有什么感想？

是不是觉得神经网络也还好了。还有其他概念等着你来学习呢！

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!