python - 实现一个基本的神经网络来预测 y = 2x

Question

它是一个线性函数。我给它以下输入

input = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19]

output = [2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38]

我了解到，没有隐藏层的网络只是一个感知器，基本上是回归。但是让我们说在此之后我想预测 y = x^2 这对于类似的输出将是非线性的。

在张量流中你可以做

from __future__ import absolute_import, division, print_function

import pathlib
import pandas as pd
import seaborn as sns

import numpy as np

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

print(tf.__version__)

xs = np.array([2,4,6,8,10,12,14,16,18,20, 22, 24, 26, 28])
ys = np.array([4,8,12,16,20,24,28,32,36,40, 44, 48, 52, 56])

model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=[1]),
    layers.Dense(64, activation='relu'),
    layers.Dense(1)
])


model.compile(loss='mse')
model.fit(xs, ys, epochs = 500)
print(model.predict([30, 31, 32, 33]))

我试图弄清楚从头开始的神经网络如何在相同的输入长度和相同的输出长度下工作。

我目前正在将输入向量乘以随机权重-> vector_h（在初始化函数中执行）

这是我开始的：

import math        

def sigmoid_activation(x):
  try:
    return 1 / (1 + math.exp(-x))
  except:
    return 0

def sigmoid_derivative(self, x):
    return x * (1 - x)

class NeuralNet:
  def __init__(self, training_input, training_output, testing_input):
    self.training_input = training_input
    self.training_output = training_output
    self.testing_input = testing_input
    self.epoch = 100
    self.weight = [ random.uniform(0, 9) for i in range(len(training_input)) ]

  def neuron(self):
    return sigmoid_activation(sum([ self.training_input[i] * self.weight[i] for i in range(len(self.training_input)) ])) # I am not sure if this is correct.

  def run(self):
    for iteration in range(self.epoch):
      # Not sure how to go from here
      pass

几个问题

1. 这更像是一个感知器而不是一个神经网络吗？
2. 我正在使用激活函数，因此当输出是非线性函数时，它也可以大致预测。
3. 是否需要将给定的输入形状更改为 [[1], [2], [3]]

标签： pythontensorflowmachine-learningneural-network