目的

根据体重、身高来判断性别

导入模块

import numpy as np
from matplotlib import pyplot as plt

激活函数: f(x) = 1 / (1 + e^(-x))

def sigmoid(x):
return 1 / (1 + np.exp(-x))

激活函数导数

def deriv_sigmoid(x):
fx = sigmoid(x)
return fx * (1 - fx)

使用方差作为损失函数

def mse_loss(y_true, y_pred):
return ((y_true - y_pred) ** 2).mean()

神经网络

class OurNeuralNetwork:
‘’’
神经网络:
- 两个输入层（x[0],x[1]）
- 隐含层两个神经元 (h1,h2)
- 输出层一个神经元 (o1)
*** 免责声明 ***:
下面的代码旨在简单和具有教育意义，而不是最佳的。
真正的神经网络代码看起来不像这样。 不要使用此代码。
相反，请阅读/运行它以了解此特定网络的工作原理。
‘’’
# 随机初始化权重和截距函数
def init(self):
# 权重，Weights
self.w1 = np.random.normal()
self.w2 = np.random.normal()
self.w3 = np.random.normal()
self.w4 = np.random.normal()
self.w5 = np.random.normal()
self.w6 = np.random.normal()
# 截距，Biases
self.b1 = np.random.normal()
self.b2 = np.random.normal()
self.b3 = np.random.normal()
#前馈函数
def feedforward(self, x):
# x 是一个有 2 个元素的 numpy 数组
h1 = sigmoid(self.w1 * x[0] + self.w2 * x[1] + self.b1)
h2 = sigmoid(self.w3 * x[0] + self.w4 * x[1] + self.b2)
o1 = sigmoid(self.w5 * h1 + self.w6 * h2 + self.b3)
return o1
#训练函数
def train(self, data, all_y_trues):
‘’’
- 数据是一个 (n x 2) numpy 数组，n是数据集中的样本数。
- all_y_trues 是一个具有 n 个元素的 numpy 数组，其中的元素对应于数据中的元素。
‘’’
learn_rate = 0.1 # 学习率
epochs = 1000 # 循环遍历整个数据集的次数（迭代次数）

    for epoch in range(epochs):for x, y_true in zip(data, all_y_trues):# --- 做一个前馈sum_h1 = self.w1 * x[0] + self.w2 * x[1] + self.b1h1 = sigmoid(sum_h1)sum_h2 = self.w3 * x[0] + self.w4 * x[1] + self.b2h2 = sigmoid(sum_h2)sum_o1 = self.w5 * h1 + self.w6 * h2 + self.b3o1 = sigmoid(sum_o1)y_pred = o1# --- 计算偏导数# --- 命名:d_L_d_w1 代表"L对w1的偏导"d_L_d_ypred = -2 * (y_true - y_pred)# 神经元 o1d_ypred_d_w5 = h1 * deriv_sigmoid(sum_o1)d_ypred_d_w6 = h2 * deriv_sigmoid(sum_o1)d_ypred_d_b3 = deriv_sigmoid(sum_o1)d_ypred_d_h1 = self.w5 * deriv_sigmoid(sum_o1)d_ypred_d_h2 = self.w6 * deriv_sigmoid(sum_o1)# 神经元 h1d_h1_d_w1 = x[0] * deriv_sigmoid(sum_h1)d_h1_d_w2 = x[1] * deriv_sigmoid(sum_h1)d_h1_d_b1 = deriv_sigmoid(sum_h1)# 神经元 h2d_h2_d_w3 = x[0] * deriv_sigmoid(sum_h2)d_h2_d_w4 = x[1] * deriv_sigmoid(sum_h2)d_h2_d_b2 = deriv_sigmoid(sum_h2)# --- 更新权重和截距# 神经元 h1self.w1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w1self.w2 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w2self.b1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_b1# 神经元 h2self.w3 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w3self.w4 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w4self.b2 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_b2# 神经元 o1self.w5 -= learn_rate * d_L_d_ypred * d_ypred_d_w5self.w6 -= learn_rate * d_L_d_ypred * d_ypred_d_w6self.b3 -= learn_rate * d_L_d_ypred * d_ypred_d_b3y_preds = np.apply_along_axis(self.feedforward, 1, data)loss = mse_loss(all_y_trues, y_preds)plt.plot(epoch, loss, '.r')# --- 计算每个时期结束时的总损失if epoch % 100 == 0:print("Epoch %d loss: %.3f" % (epoch, loss))

数据预处理，体重减135，身高减66

定义数据

data = np.array([
[-2, -1], # Alice，133 磅，65 英寸
[25, 6], # Bob，160 磅，72 英寸
[17, 4], # Charlie，152 磅，70 英寸
[-15, -6], # Diana，120 磅，60 英寸
])
all_y_trues = np.array([
1, # Alice，女
0, # Bob，男
0, # Charlie，男
1, # Diana，女
])

训练神经网络

network = OurNeuralNetwork()
network.train(data, all_y_trues)

预测

emily = np.array([-7, -3]) # 128 磅，63 英寸
frank = np.array([20, 2]) # 155 磅，68 英寸
print(“Emily: %.3f” % network.feedforward(emily)) # 0.963 - F
print(“Frank: %.3f” % network.feedforward(frank)) # 0.039 - M

损失函数曲线图

plt.show()

完整代码

# 导入模块
import numpy as np
from matplotlib import pyplot as plt
# 激活函数: f(x) = 1 / (1 + e^(-x))
def sigmoid(x):return 1 / (1 + np.exp(-x))
# 激活函数导数
def deriv_sigmoid(x):fx = sigmoid(x)return fx * (1 - fx)
# 使用方差作为损失函数
def mse_loss(y_true, y_pred):return ((y_true - y_pred) ** 2).mean()
# 神经网络
class OurNeuralNetwork:'''神经网络:- 两个输入层（x[0],x[1]）- 隐含层两个神经元 (h1,h2)- 输出层一个神经元 (o1)*** 免责声明 ***:下面的代码旨在简单和具有教育意义，而不是最佳的。真正的神经网络代码看起来不像这样。 不要使用此代码。相反，请阅读/运行它以了解此特定网络的工作原理。'''# 随机初始化权重和截距def __init__(self):# 权重，Weightsself.w1 = np.random.normal()self.w2 = np.random.normal()self.w3 = np.random.normal()self.w4 = np.random.normal()self.w5 = np.random.normal()self.w6 = np.random.normal()# 截距，Biasesself.b1 = np.random.normal()self.b2 = np.random.normal()self.b3 = np.random.normal()def feedforward(self, x):# x 是一个有 2 个元素的 numpy 数组h1 = sigmoid(self.w1 * x[0] + self.w2 * x[1] + self.b1)h2 = sigmoid(self.w3 * x[0] + self.w4 * x[1] + self.b2)o1 = sigmoid(self.w5 * h1 + self.w6 * h2 + self.b3)return o1def train(self, data, all_y_trues):'''- 数据是一个 (n x 2) numpy 数组，n是数据集中的样本数。- all_y_trues 是一个具有 n 个元素的 numpy 数组，其中的元素对应于数据中的元素。'''learn_rate = 0.1  # 学习率epochs = 1000  # 循环遍历整个数据集的次数（迭代次数）for epoch in range(epochs):for x, y_true in zip(data, all_y_trues):# --- 做一个前馈sum_h1 = self.w1 * x[0] + self.w2 * x[1] + self.b1h1 = sigmoid(sum_h1)sum_h2 = self.w3 * x[0] + self.w4 * x[1] + self.b2h2 = sigmoid(sum_h2)sum_o1 = self.w5 * h1 + self.w6 * h2 + self.b3o1 = sigmoid(sum_o1)y_pred = o1# --- 计算偏导数# --- 命名:d_L_d_w1 代表"L对w1的偏导"d_L_d_ypred = -2 * (y_true - y_pred)# 神经元 o1d_ypred_d_w5 = h1 * deriv_sigmoid(sum_o1)d_ypred_d_w6 = h2 * deriv_sigmoid(sum_o1)d_ypred_d_b3 = deriv_sigmoid(sum_o1)d_ypred_d_h1 = self.w5 * deriv_sigmoid(sum_o1)d_ypred_d_h2 = self.w6 * deriv_sigmoid(sum_o1)# 神经元 h1d_h1_d_w1 = x[0] * deriv_sigmoid(sum_h1)d_h1_d_w2 = x[1] * deriv_sigmoid(sum_h1)d_h1_d_b1 = deriv_sigmoid(sum_h1)# 神经元 h2d_h2_d_w3 = x[0] * deriv_sigmoid(sum_h2)d_h2_d_w4 = x[1] * deriv_sigmoid(sum_h2)d_h2_d_b2 = deriv_sigmoid(sum_h2)# --- 更新权重和截距# 神经元 h1self.w1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w1self.w2 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_w2self.b1 -= learn_rate * d_L_d_ypred * d_ypred_d_h1 * d_h1_d_b1# 神经元 h2self.w3 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w3self.w4 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_w4self.b2 -= learn_rate * d_L_d_ypred * d_ypred_d_h2 * d_h2_d_b2# 神经元 o1self.w5 -= learn_rate * d_L_d_ypred * d_ypred_d_w5self.w6 -= learn_rate * d_L_d_ypred * d_ypred_d_w6self.b3 -= learn_rate * d_L_d_ypred * d_ypred_d_b3y_preds = np.apply_along_axis(self.feedforward, 1, data)loss = mse_loss(all_y_trues, y_preds)plt.plot(epoch, loss, '.r')# --- 计算每个时期结束时的总损失if epoch % 100 == 0:print("Epoch %d loss: %.3f" % (epoch, loss))
# 数据预处理，体重减135，身高减66
# 定义数据
data = np.array([[-2, -1],  # Alice，133 磅，65 英寸[25, 6],  # Bob，160 磅，72 英寸[17, 4],  # Charlie，152 磅，70 英寸[-15, -6],  # Diana，120 磅，60 英寸
])
all_y_trues = np.array([1,  # Alice，女0,  # Bob，男0,  # Charlie，男1,  # Diana，女
])
# 训练神经网络
network = OurNeuralNetwork()
network.train(data, all_y_trues)
# 预测
emily = np.array([-7, -3]) # 128 磅，63 英寸
frank = np.array([20, 2])  # 155 磅，68 英寸
print("Emily: %.3f" % network.feedforward(emily)) # 0.963 - F
print("Frank: %.3f" % network.feedforward(frank)) # 0.039 - M
# 损失函数曲线图
plt.show()