深度学习入门：简单神经网络的构建与实现

深度学习中，神经网络是核心模型。今天我们用 Python 和 NumPy 构建一个简单的神经网络。

神经网络由多个神经元组成，神经元之间通过权重连接。我们构建一个包含输入层、隐藏层和输出层的简单神经网络。

首先，导入必要的库：

收起

python

import numpy as np 

定义激活函数 Sigmoid：

收起

python

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

定义神经网络的结构和参数初始化：

收起

python

# 输入层节点数 input_size = 2 # 隐藏层节点数 hidden_size = 3 # 输出层节点数 output_size = 1 # 初始化权重，使用随机数 weights1 = np.random.randn(input_size, hidden_size) weights2 = np.random.randn(hidden_size, output_size) 

前向传播函数：

收起

python

def forward_propagation(inputs): hidden_layer = sigmoid(np.dot(inputs, weights1)) output_layer = sigmoid(np.dot(hidden_layer, weights2)) return output_layer 

假设我们有一个输入数据：

收起

python

# 示例输入 inputs = np.array([0.5, 0.3]) output = forward_propagation(inputs) print(f"神经网络的输出: {output}") 

在这个简单的神经网络中，输入数据通过权重矩阵与隐藏层和输出层进行计算，经过激活函数处理后得到{BANNED}最佳终输出。虽然这只是一个简单的示例，但理解其原理是深入学习深度学习的基础。