太天才了，把感知机组装在一起是不是就是神经网络了？

大家好，今天来继续聊聊深度学习。

有同学跟我说很久没有更新深度学习的模型了，倒不是不愿意更新，主要是一次想把一个技术专题写完。但是纯技术文章观众老爷们不太爱看，所以我一般都把纯技术文章放在次条。不过既然有同学催更，那么我还是响应一下需求，来更新一篇。

神经网络与感知机的不同

上一篇文章当中我们讲了感知机，由于文章比较久了，估计很多同学没有看过，没有关系，可以点击下方传送门回去补课。

深度学习开篇，来聊聊感知机的原理

我们当时在文章里放了一张图，这张图是一个多层感知机的图，大家看一下，就是下面这张图。

这张图乍一看没什么问题，但是细想会觉得有点奇怪，好像我们印象里看到的神经网络的图片也是这样的，既然如此，那么它们之间有什么区别呢？

表面上最明显的区别就是名字不同，这是一张神经网络的图片。我们发现同样是三层，但是它每一层的名字分别是输入层、中间层（隐藏层）和输出层。我们一般把输入层和输出层单独命名， 中间的若干层都叫做隐藏层 或者是中间层。当然像是感知机一样，以数字来命名层数也是可以的，比如下图当中的输入层叫做第0层，中间层叫做第一层，最后输出层叫做第2层。

我们一般不把输出层看作是有效的神经网络，所以 下图的网络被称为二层神经网络 ，而不是三层神经网络。

除了名字的叫法不同之外，还有一个最关键的区别就是激活函数，为了说明白这点，我们先来看看神经网络当中的信号传递。

信号传递

下图是一张我随便找来的神经网络图，我们可以看到输入的第一个节点被置为了1。这样做是为了 方便引入偏移量 ，只是我们一般情况下画图的时候，不会特意把偏移量画出来。我们以下图为例子来看下神经网络当中信号的传递方式。

我们以为例，可以来试着写出的表达式，它一共有三个input，分别是1,,，然后我们也可以看到每一个input对应的权重，所以最后可以写成：

到这里还没有结束，神经网络当中 每一层都会有对应的激活函数 。一般情况下同一层网络当中的激活函数相同，我们把它叫做h，所以最终这个节点的输出并不是刚刚得到的，而是。

激活函数我们已经比较熟悉了，之前介绍过很多次，常用的大概有以下几种：Relu、Sigmoid、tanh、softmax，以及一些衍生出的变种。一般情况下， 在输出层之前我们通常使用Relu ，如果模型是一个分类模型，我们会在最后使用Sigmoid或者是softmax，如果是回归模型则不使用任何激活函数。

Sigmoid我们已经很熟悉了，如果我们把LR模型也看成是一个单层的神经网络的话，那么Sigmoid就是它的激活函数。 Sigmoid应用在二分类场景当中单个的输出节点上 ，输出的值如果大于0.5表示为真，否则为假。在一些概率预估场景当中，也可以认为输出值就代表了事件发生的概率。

与之对应的是softmax函数，它应用在多分类问题当中，它应用的节点数量不是1个，而是k个。这里的k表示多分类场景当中的类别数量。我们以k=3举例，看下图：

在图中一共有三个节点，对于每一个节点来说，它的公式可以写成：

其实和Sigmoid的计算方式是一样的，只不过最后计算了一个权重。最后我们会在这k个节点当中选择最大的作为最终的分类结果。

代码实现

最后，我们来试着写一下神经网络的代码，由于现在我们还没有介绍神经网络的训练方法，所以我们只能实现它预测的部分。等我们介绍完了反向传播算法之后，再来补上模型训练的过程。

如果不考虑反向传播的话，其实整个算法的代码非常简单，只要熟悉Python语法的同学都能看懂。

import numpy as np

def relu(x):
return np.where(x > 0, x, 0)


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


class NeuralNetwork():
def __init__(self):
        self.params = {}
        self.params['W1'] = np.random.rand(2, 3)
        self.params['b1'] = np.random.rand(1, 3)
        self.params['W2'] = np.random.rand(3, 2)
        self.params['b2'] = np.random.rand(1, 2)
        self.params['W3'] = np.random.rand(2, 1)
        self.params['b3'] = np.random.rand(1, 1)

def forward(self, x):
        a1 = np.dot(x, self.params['W1']) + self.params['b1']
        z1 = relu(a1)

        a2 = np.dot(z1, self.params['W2']) + self.params['b2']
        z2 = relu(a2)

        a3 = np.dot(z2, self.params['W3']) + self.params['b3']
return np.where(sigmoid(a3) > 0.5, 1, 0)


if __name__ == "__main__":
    nn = NeuralNetwork()
    print(nn.forward(np.array([3, 2])))

在下一篇文章当中我们将会来探讨神经网络的训练方法，也就是大名鼎鼎的反向传播算法，看看它是在神经网络当中如何运作的。

今天的文章就到这里，衷心祝愿大家每天都有所收获。如果还喜欢今天的内容的话，请来一个 三连支持 吧~（ 点赞、关注、转发 ）