pythonmlp

㈠ python 神經網路庫有哪些

學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：

在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。
首先，神經網路是什麼？人腦由幾千億由突觸相互連接的細胞（神經元）組成。突觸傳入足夠的興奮就會引起神經元的興奮。這個過程被稱為「思考」。

我們可以在計算機上寫一個神經網路來模擬這個過程。不需要在生物分子水平模擬人腦，只需模擬更高層級的規則。我們使用矩陣（二維數據表格）這一數學工具，並且為了簡單明了，只模擬一個有3個輸入和一個輸出的神經元。

我們將訓練神經元解決下面的問題。前四個例子被稱作訓練集。你發現規律了嗎？『？』是0還是1？

你可能發現了，輸出總是等於輸入中最左列的值。所以『？』應該是1。
訓練過程
但是如何使我們的神經元回答正確呢？賦予每個輸入一個權重，可以是一個正的或負的數字。擁有較大正（或負）權重的輸入將決定神經元的輸出。首先設置每個權重的初始值為一個隨機數字，然後開始訓練過程：
取一個訓練樣本的輸入，使用權重調整它們，通過一個特殊的公式計算神經元的輸出。
計算誤差，即神經元的輸出與訓練樣本中的期待輸出之間的差值。
根據誤差略微地調整權重。
重復這個過程1萬次。

最終權重將會變為符合訓練集的一個最優解。如果使用神經元考慮這種規律的一個新情形，它將會給出一個很棒的預測。
這個過程就是back propagation。

計算神經元輸出的公式
你可能會想，計算神經元輸出的公式是什麼？首先，計算神經元輸入的加權和，即

接著使之規范化，結果在0，1之間。為此使用一個數學函數－－Sigmoid函數：

Sigmoid函數的圖形是一條「S」狀的曲線。

把第一個方程代入第二個，計算神經元輸出的最終公式為：

你可能注意到了，為了簡單，我們沒有引入最低興奮閾值。
調整權重的公式
我們在訓練時不斷調整權重。但是怎麼調整呢？可以使用「Error Weighted Derivative」公式：

為什麼使用這個公式？首先，我們想使調整和誤差的大小成比例。其次，乘以輸入（0或1），如果輸入是0，權重就不會調整。最後，乘以Sigmoid曲線的斜率（圖4）。為了理解最後一條，考慮這些：
我們使用Sigmoid曲線計算神經元的輸出
如果輸出是一個大的正（或負）數，這意味著神經元採用這種（或另一種）方式
從圖四可以看出，在較大數值處，Sigmoid曲線斜率小
如果神經元認為當前權重是正確的，就不會對它進行很大調整。乘以Sigmoid曲線斜率便可以實現這一點
Sigmoid曲線的斜率可以通過求導得到：

把第二個等式代入第一個等式里，得到調整權重的最終公式：

當然有其他公式，它們可以使神經元學習得更快，但是這個公式的優點是非常簡單。
構造Python代碼
雖然我們沒有使用神經網路庫，但是將導入Python數學庫numpy里的4個方法。分別是：
exp－－自然指數
array－－創建矩陣
dot－－進行矩陣乘法
random－－產生隨機數
比如， 我們可以使用array()方法表示前面展示的訓練集：

「.T」方法用於矩陣轉置（行變列）。所以，計算機這樣存儲數字：

我覺得我們可以開始構建更優美的源代碼了。給出這個源代碼後，我會做一個總結。
我對每一行源代碼都添加了注釋來解釋所有內容。注意在每次迭代時，我們同時處理所有訓練集數據。所以變數都是矩陣（二維數據表格）。下面是一個用Python寫地完整的示例代碼。

結語
試著在命令行運行神經網路：

你應該看到這樣的結果：

我們做到了！我們用Python構建了一個簡單的神經網路！
首先神經網路對自己賦予隨機權重，然後使用訓練集訓練自己。接著，它考慮一種新的情形[1, 0, 0]並且預測了0.99993704。正確答案是1。非常接近！
傳統計算機程序通常不會學習。而神經網路卻能自己學習，適應並對新情形做出反應，這是多麼神奇，就像人類一樣。

㈡ python做BP神經網路，進行數據預測，訓練的輸入和輸出值都存在負數，為什麼預測值永遠為正數

因為sigmoid就是預測0到1之間的連續值。通常當二分類預測使用，你的問題是否復合二分類如果可以就把類別換成0和1就可以了，如果是做回歸那就不行了，要換其他損失函數

㈢ python簡單神經網路的實現 求問這兒是怎麼實現syn0均值為0的，以及我在Python3中運行發現l1的shape也不對

np.random.random 返回[0,1)區間的隨機數，2*np.random.random - 1 返回[-1,1)的隨機數，具體可以看網頁鏈接

看這個神經網路結構應該就輸入輸出兩層，l1的shape為np.dot(l0,syn0)，[4*3]，[3*1]的矩陣相乘得到[4*1]的矩陣，y = np.array([[0,1,1,0]]).T，y也是[4*1]的矩陣

㈣ 怎麼用python訓練神經網路

Python 可以用scikit-learn、Theano、pybrain等庫來做神經網路，詳細的內容可以搜索相關的例子和官方文檔。

㈤ python 有哪些神經網路的包

1. Scikit-learn Scikit-learn 是基於Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。

㈥ 機器學習、Python哪個以人類神經網路為目的的學習

最近接了一個大數據項目，需要進行到數據分析，作為一個從程序員往數據挖掘工程師轉行的人來說，R語言在靈活性上不如Python，並且在深度神經網路等機器學習開源模塊上，python也比R語言有更好的支持。本文主要利用Ubuntu來搭建虛擬機來進行數據分析工作，主要利用了sklearn和keras開源模塊。Google開發的深度神經網路python開源模塊tensorflow目前不支持windows系統，因此強烈建議使用linux操作系統，而redhat雖然是Linux系統中比較成熟的一種，但是其yum是付費服務，並且沒有預裝apt-get等大量的插件，因此選擇ubuntu系統，對於剛入門的新手來說更友好。

環境配置：

VM Ware 12.0（在不同主機之間的文件復制粘貼比Visual Box要好一點）

Anaconda2 （python2.7以及相關的科學計算集成，安裝完成後就可以直接使用科學計算所有的模塊，包括最流行的numpy，pandas）

JetBrain Pycharm （Python開發最火的IDE集成開發工具，方便使用git和github進行代碼的管理）

Ubuntu16.01 amd64位

1、Ubuntu虛擬機安裝

選擇Ubuntu的ISO鏡像文件，這時VM Ware將自動選擇為簡易安裝，不用考慮分區問題

4、機器學習相關開源模塊安裝

安裝Anaconda後，可以使用pip或conda工具進行下載開源Python模塊，但是必須保持網路連接狀態。由於深度神經網路和一些機器學習的模塊很新，所以必須兩個命令都用到。

輸入：

conda install theano

conda install keras

pip install tensorflow

pip install sklearn

安裝提示信息安裝，完成後，輸入python進入python命令行工具，分別輸入import keras和import sklearn，如果沒有錯誤信息，則模塊安裝完成。

5、使用pycharm

打開命令行輸入cd /home/bigdata/Downloads/pycharm-community-2016.2.2/bin

輸入 bash pycharm.sh運行pycharm

點擊左上角的FIle-->settings--->version control----->github，輸入自己的github賬號和密碼，點擊測試

點擊Test後，第一次會讓你設置本地github的登錄密碼，這個密碼必須記住，因為是不是系統在你提交代碼或者從github上clone時需要填寫這個密碼來驗證。如果你的github賬號密碼都正確，則出現下圖。

在選擇git這個選項，設置你已經安裝好的git工具的路徑，一般為/usr/bin/git.

點擊Test，出現下圖則github和git都配置成功，可以使用了。

5、從github中導入項目

從菜單欄中點擊VCS，選擇checkout from version control，再選擇github。

然後就可以選擇你想要的項目導入到本地了

有興趣的同學可以在URL那欄復制粘貼veld/PythonProgram.git，這是我分享的我找的一些機器學習的代碼，以及sklearn和keras的用法，比較容易入手。機器學習的訓練集和測試集留言並留下你的郵箱，我會盡快發給你。

㈦ python神經網路的權值怎麼保留

這神經的網路的全職，我覺得我們都是通過計算機的專業來考核的

㈧ python 神經網路預測 持續性預測

學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。

㈨ 關於Python的BP神經網路的一個代碼

這個神經網路只能處理分兩類的的情況，這是由這個神經網路的結構決定了的。

如果想應付分多類的情況，必須對輸出層作softmax處理。

具體代碼可參看這里：
http://www.cnblogs.com/hhh5460/p/5434531.html

㈩ Hopfield神經網路用python實現講解

神經網路結構具有以下三個特點：

神經元之間全連接，並且為單層神經網路。

每個神經元既是輸入又是輸出，導致得到的權重矩陣相對稱，故可節約計算量。

在輸入的激勵下，其輸出會產生不斷的狀態變化，這個反饋過程會一直反復進行。假如Hopfield神經網路是一個收斂的穩定網路，則這個反饋與迭代的計算過程所產生的變化越來越小，一旦達到了穩定的平衡狀態，Hopfield網路就會輸出一個穩定的恆值。

Hopfield網路可以儲存一組平衡點，使得當給定網路一組初始狀態時，網路通過自行運行而最終收斂於這個設計的平衡點上。當然，根據熱力學上，平衡狀態分為stable state和metastable state, 這兩種狀態在網路的收斂過程中都是非常可能的。

為遞歸型網路，t時刻的狀態與t-1時刻的輸出狀態有關。之後的神經元更新過程也採用的是非同步更新法(Asynchronous)。

Hopfield神經網路用python實現