一文详解神经网络 BP 算法原理及 Python 实现

.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 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	
			 7/8   首页 上一页 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