神经网络中 BP 算法的原理与 Python 实现源码解析

l in xrange(2, self.num_layers):

# 大年夜倒数第 **l** 层开端更新，**-l** 是 python 中特有的语法表示大年夜倒数第 l 层开端计算

# 下面这里应用 **l+1** 层的 δ 值来计算 **l** 的 δ 值

z = zs[-l]

sp = sigmoid_prime(z)

delta = np.dot(self.weights[-l+1].transpose(), delta) * sp

nabla_b[-l] = delta

nabla_w[-l] = np.dot(delta, activations[-l-1].transpose())

return (nabla_b, nabla_w)

接下来则是 evaluate 的实现，调用 feedforward 办法盘似揭捉?练好的神经收集的输出层神经元值（也即猜测值），然后比对精确值和猜测值获得精确率。

def evaluate(self, test_data): 
    # 获得猜测结不雅 
    test_results = [(np.argmax(self.feedforward(x)), y) 
                    for (x, y) in test_data] 
    # 返回精确识其余个数 
    return sum(int(x == y) for (x, y) in test_results)

最后，我们可以应用这个源率攀来练习一个手写数字识其余神经收集，并输出评估的结不雅，代码如下：

import mnist_loader 
import network 
 
training_data, validation_data, test_data = mnist_loader.load_data_wrapper() 
net = network.Network([784, 30, 10]) 
net.SGD(training_data, 30, 10, 3.0, test_data = test_data) 
# 输出结不雅 
# Epoch 0: 9038 / 10000 
# Epoch 1: 9178 / 10000 
# Epoch 2: 9231 / 10000 
# ... 
# Epoch 27: 9483 / 10000 
# Epoch 28: 9485 / 10000 
# Epoch 29: 9477 / 10000

可以看到，在经由 30 轮的迭代后，辨认手写神经收集的精确度在 95% 阁下，当然，设置不合的迭代次数，进修率以取样数对精度都邑有影响，若何调参也是一门技巧活，这个坑就后期再填吧。

7/8 首页上一页 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