一文详解神经网络 BP 算法原理及 Python 实现

self.update_mini_batch(mini_batch, eta)

# 输出测试每轮停止后，神经收集的精确度

if test_data:

print "Epoch {0}: {1} / {2}".format(

j, self.evaluate(test_data), n_test)

else:

print "Epoch {0} complete".format(j)

根据 backprop 办法获得的偏导数更新 w 和 b 的值。

def update_mini_batch(self, mini_batch, eta): 
        """ 
        更新 w 和 b 的值 
        :param mini_batch: 一部分的样本 
        :param eta: 进修率 
        """ 
        # 根据 biases 和 weights 的行列数创建对应的全部元素值为 0 的空矩阵 
        nabla_b = [np.zeros(b.shape) for b in self.biases] 
        nabla_w = [np.zeros(w.shape) for w in self.weights] 
        for x, y in mini_batch: 
            # 根据样本中的每一个输入 x 的其输出 y，计算 w 和 b 的偏导数 
            delta_nabla_b, delta_nabla_w = self.backprop(x, y) 
            # 累加储存偏导值 delta_nabla_b 和 delta_nabla_w  
            nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)] 
            nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)] 
        # 更新根据累加的偏导值更新 w 和 b，这里因为用了小样本，	
			 5/8   首页 上一页 3 4 5 6 7 8 下一页 尾页	
			

　　推荐阅读
　　大数据环境下该如何优雅地设计数据分层
            
            发个牢骚，搞大年夜数据的也得扶植数据仓库吧。并且不管是传统行业照样如今的互联网公司，都须要对数据仓库有必定的看重，而不是谈一句本身是搞大年夜数据的就很厉害了。数据仓库更多代表>>>详细阅读


本文标题：一文详解神经网络 BP 算法原理及 Python 实现
地址：http://www.17bianji.com/lsqh/36072.html
 1/2    1