從零開始搭建python的簡單介紹

本文目錄一覽：

• 1、無需深度學習框架，如何從零開始用Python構建神
• 2、初學者學Python編程如何快速入門?
• 3、從零開始用Python構建神經網路
• 4、如何從零開始學python

無需深度學習框架，如何從零開始用Python構建神

搭建由一個輸入層，一個隱藏層，一個輸出層組成的三層神經網路。輸入層中的節點數由數據的維度來決定，也就是2個。相應的，輸出層的節點數則是由類的數量來決定，也是2個。（因為我們只有一個預測0和1的輸出節點，所以我們只有兩類輸出，實際中，兩個輸出節點將更易於在後期進行擴展從而獲得更多類別的輸出）。以x，y坐標作為輸入，輸出的則是兩種概率，一種是0（代表女），另一種是1（代表男）。

初學者學Python編程如何快速入門?

電子書集合|數據科學速查表|遷移學習實戰 ，免費下載

 鏈接:   提取碼: z9x7

從零開始用Python構建神經網路

從零開始用Python構建神經網路

動機：為了更加深入的理解深度學習，我們將使用 python 語言從頭搭建一個神經網路，而不是使用像 Tensorflow 那樣的封裝好的框架。我認為理解神經網路的內部工作原理，對數據科學家來說至關重要。

這篇文章的內容是我的所學，希望也能對你有所幫助。

神經網路是什麼?

介紹神經網路的文章大多數都會將它和大腦進行類比。如果你沒有深入研究過大腦與神經網路的類比，那麼將神經網路解釋為一種將給定輸入映射為期望輸出的數學關係會更容易理解。

神經網路包括以下組成部分

? 一個輸入層，x

? 任意數量的隱藏層

? 一個輸出層，?

? 每層之間有一組權值和偏置，W and b

? 為隱藏層選擇一種激活函數，σ。在教程中我們使用 Sigmoid 激活函數

下圖展示了 2 層神經網路的結構(注意：我們在計算網路層數時通常排除輸入層)

2 層神經網路的結構

用 Python 可以很容易的構建神經網路類

訓練神經網路

這個網路的輸出 ? 為：

你可能會注意到，在上面的等式中，輸出 ? 是 W 和 b 函數。

因此 W 和 b 的值影響預測的準確率. 所以根據輸入數據對 W 和 b 調優的過程就被成為訓練神經網路。

每步訓練迭代包含以下兩個部分:

? 計算預測結果 ?，這一步稱為前向傳播

? 更新 W 和 b,，這一步成為反向傳播

下面的順序圖展示了這個過程：

前向傳播

正如我們在上圖中看到的，前向傳播只是簡單的計算。對於一個基本的 2 層網路來說，它的輸出是這樣的：

我們在 NeuralNetwork 類中增加一個計算前向傳播的函數。為了簡單起見我們假設偏置 b 為0：

但是我們還需要一個方法來評估預測結果的好壞(即預測值和真實值的誤差)。這就要用到損失函數。

損失函數

常用的損失函數有很多種，根據模型的需求來選擇。在本教程中，我們使用誤差平方和作為損失函數。

誤差平方和是求每個預測值和真實值之間的誤差再求和，這個誤差是他們的差值求平方以便我們觀察誤差的絕對值。

訓練的目標是找到一組 W 和 b，使得損失函數最好小，也即預測值和真實值之間的距離最小。

反向傳播

我們已經度量出了預測的誤差(損失)，現在需要找到一種方法來傳播誤差，並以此更新權值和偏置。

為了知道如何適當的調整權值和偏置，我們需要知道損失函數對權值 W 和偏置 b 的導數。

回想微積分中的概念，函數的導數就是函數的斜率。

梯度下降法

如果我們已經求出了導數，我們就可以通過增加或減少導數值來更新權值 W 和偏置 b(參考上圖)。這種方式被稱為梯度下降法。

但是我們不能直接計算損失函數對權值和偏置的導數，因為在損失函數的等式中並沒有顯式的包含他們。因此，我們需要運用鏈式求導發在來幫助計算導數。

鏈式法則用於計算損失函數對 W 和 b 的導數。注意，為了簡單起見。我們只展示了假設網路只有 1 層的偏導數。

這雖然很簡陋，但是我們依然能得到想要的結果—損失函數對權值 W 的導數(斜率)，因此我們可以相應的調整權值。

現在我們將反向傳播演算法的函數添加到 Python 代碼中

為了更深入的理解微積分原理和反向傳播中的鏈式求導法則，我強烈推薦 3Blue1Brown 的如下教程：

Youtube：

整合併完成一個實例

既然我們已經有了包括前向傳播和反向傳播的完整 Python 代碼，那麼就將其應用到一個例子上看看它是如何工作的吧。

神經網路可以通過學習得到函數的權重。而我們僅靠觀察是不太可能得到函數的權重的。

讓我們訓練神經網路進行 1500 次迭代，看看會發生什麼。 注意觀察下面每次迭代的損失函數，我們可以清楚地看到損失函數單調遞減到最小值。這與我們之前介紹的梯度下降法一致。

讓我們看看經過 1500 次迭代後的神經網路的最終預測結果：

經過 1500 次迭代訓練後的預測結果

我們成功了!我們應用前向和方向傳播演算法成功的訓練了神經網路並且預測結果收斂於真實值。

注意預測值和真實值之間存在細微的誤差是允許的。這樣可以防止模型過擬合併且使得神經網路對於未知數據有著更強的泛化能力。

下一步是什麼?

幸運的是我們的學習之旅還沒有結束，仍然有很多關於神經網路和深度學習的內容需要學習。例如：

? 除了 Sigmoid 以外，還可以用哪些激活函數

? 在訓練網路的時候應用學習率

? 在面對圖像分類任務的時候使用卷積神經網路

我很快會寫更多關於這個主題的內容，敬請期待!

最後的想法

我自己也從零開始寫了很多神經網路的代碼

雖然可以使用諸如 Tensorflow 和 Keras 這樣的深度學習框架方便的搭建深層網路而不需要完全理解其內部工作原理。但是我覺得對於有追求的數據科學家來說，理解內部原理是非常有益的。

這種練習對我自己來說已成成為重要的時間投入，希望也能對你有所幫助

如何從零開始學python

新手學Python可以按照以下步驟進行：

1. 按部就班敲代碼

在Python的學習教程中，在講到相應的語法規則的時候，必定有相應的案例，Python新手應按部就班的敲一遍代碼，切記不可直接抄寫，而是默寫，然後進行對比，及時發現錯誤，並訂正。

2. 階段案例實操

對於正規的Python學習教程中，會安排階段性的作業考核，也稱為案例，一個階段的案例就比較具有綜合性，可以客觀的考察Python學員能否真正的對Python知識點消化吸收，並融會貫通，通過該案例的實操，可以進行知識點的查漏補缺！

3. 大型項目模仿

在Python學習中，少不了大型項目實操，如果參加培訓學習，這個就比較簡單了，往往課程教學中會包含這一項，Python學員可以先自己寫一遍，然後再聽老師的講解，通過對比，找到疑惑點和不足之處，然後進行思路和項目的優化；對於未參加Python培訓的學員，可以在網上找一些大型項目進行練習，多看多練多總結，就能熟練掌握Python，形成更優化的Python思路。

對於Python等編程語言的學習，首先是要掌握齊全科學的Python學習教程，其次，要有恆心和細心，多看、勤思考、多練習是一定能夠將Python學好的！