一文详解神经网络 BP 算法原理及 Python 实现

# 所以 eta 要除于小样本的长度

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	
			 6/8   首页 上一页 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