神经网络中 BP 算法的原理与 Python 实现源码解析

self.weights = [w-(eta/len(mini_batch))*nw

for w, nw in zip(self.weights, nabla_w)]

self.biases = [b-(eta/len(mini_batch))*nb

for b, nb in zip(self.biases, nabla_b)]

下面这块代码是源码最核心的部分，也即 BP 算法的实现，包含了前向传输和逆向反馈，前向传输在 Network 里有零丁一个办法（膳绫擎提到的 feedforward 办法），那个办法是用于验证练习好的神经收集的精确度的，鄙人面有提到该办法。

def backprop(self, x, y): 
    """ 
    :param x: 
    :param y: 
    :return: 
    """ 
    nabla_b = [np.zeros(b.shape) for b in self.biases] 
    nabla_w = [np.zeros(w.shape) for w in self.weights] 
    # 前向传输 
    activation = x 
    # 储存每层的神经元的值的矩阵，下面轮回会 append 每层的神经元的值 
    activations = [x]  
    # 储存每个未经由 sigmoid 计算的神经元的值 
    zs = []  
    for b, w in zip(self.biases, self.weights): 
        z = np.dot(w, activation)+b 
        zs.append(z) 
        activation = sigmoid(z) 
        activations.append(activation) 
    # 求 δ 的值 
    delta = self.cost_derivative(activations[-1], y) * \ 
        sigmoid_prime(zs[-1]) 
    nabla_b[-1] = delta 
    # 乘于前一层的输出值 
    nabla_w[-1] = np.dot(delta, activations[-2].transpose()) 
    for	
			 6/8   首页 上一页 4 5 6 7 8 下一页 尾页	
			

　　推荐阅读
　　PHP底层的运行机制与原理解析
            
            PHP说简单，然则要精晓也不是一件简单的事。我们除了会应用之外，还得知道它底层的工作道理。懂得PHP底层实现的目标是什么?动态说话要像用好起首得懂得它，内存治理、框架模型值得我们借鉴>>>详细阅读


本文标题：神经网络中 BP 算法的原理与 Python 实现源码解析
地址：http://www.17bianji.com/lsqh/35499.html
 1/2    1