Вот код:
import numpy as np
# sigmoid function
def nonlin(x,deriv=False):
if(deriv==True):
return x*(1-x)
return 1/(1+np.exp(-x))
# input dataset
X = np.array([ [0,0,1],
[0,1,1],
[1,0,1],
[1,1,1] ])
# output dataset
y = np.array([[0,0,1,1]]).T
# seed random numbers to make calculation
# deterministic (just a good practice)
np.random.seed(1)
# initialize weights randomly with mean 0
syn0 = 2*np.random.random((3,1)) - 1
for iter in xrange(10000):
# forward propagation
l0 = X
l1 = nonlin(np.dot(l0,syn0))
# how much did we miss?
l1_error = y - l1
# multiply how much we missed by the
# slope of the sigmoid at the values in l1
l1_delta = l1_error * nonlin(l1,True)
# update weights
syn0 += np.dot(l0.T,l1_delta)
print "Output After Training:"
print l1
Вот веб-сайт: http://iamtrask.github.io/2015/07/12/basic-python-network/
Строка 36 кода, l1 error
умножается на производную ввода, отмеченную весовыми точками. Я понятия не имею, почему это делается, и часами пытался это понять. Я только что пришел к выводу, что это неправильно, но что-то мне подсказывает, что это, вероятно, неправильно, учитывая, сколько людей рекомендуют и используют это руководство в качестве отправной точки для изучения нейронных сетей.
В статье говорится, что
Посмотрите еще раз на сигмовидную картинку! Если наклон был действительно мелким (близким к 0), то сеть имела либо очень высокое значение, либо очень низкое значение. Это означает, что сеть так или иначе была достаточно уверенной. Однако, если сеть угадала что-то близкое к (x = 0, y = 0,5), то это не очень уверенно.
Я не могу понять, почему высокий или низкий уровень входа в сигмовидную функцию имеет какое-либо отношение к уверенности. Конечно, не имеет значения, насколько он высок, потому что, если прогнозируемый объем производства низкий, он будет действительно неуверенным, в отличие от того, что они сказали по этому поводу, должно быть уверенным только потому, что оно высокое.
Конечно, было бы лучше просто кубить l1_error
, если бы вы хотели подчеркнуть ошибку?
Это настоящее разочарование, учитывая, что до этого момента казалось, что я нашел многообещающий способ действительно интуитивно начать изучение нейронных сетей, но снова я ошибался. Было бы признательно, если у вас есть хорошее место для начала обучения, где я могу очень легко понять.