DL之simpleNet：利用自定義的simpleNet(設好權重)對新樣本進行預測、評估、輸出梯度值

導讀
理解神經網絡內部的數學機制

?

?

目錄

輸出結果

核心代碼

---

?

?

?

輸出結果

輸出權重參數： [[-0.94465146 -1.22617291 ?0.89064915]
?[-0.36625531 ?1.57482914 ?0.82170746]]
輸出預測： [-0.89642065 ?0.68164248 ?1.27392621]
最大值的索引： 2
loss： 0.5111458955952319
求出梯度值：?
?[[ 0.04107652 ?0.19903878 -0.2401153 ]
?[ 0.06161477 ?0.29855818 -0.36017295]]

?

核心代碼

class simpleNet:def __init__(self):self.W = np.random.randn(2,3) #用高斯分布進行初始化def predict(self, x):return np.dot(x, self.W)def loss(self, x, t):z = self.predict(x)y = softmax(z)loss = cross_entropy_error(y, t)return lossnet = simpleNet()x = np.array([0.6, 0.9]) p = net.predict(x)t= np.array([0, 0, 1]) print('loss：',net.loss(x, t))f = lambda w: net.loss(x, t)dW = numerical_gradient(f, net.W) print('求出梯度值：','\n',dW)

相關文章
DL之simpleNet：利用自定義的simpleNet(設好權重)對新樣本進行預測、評估、輸出梯度值???????

?

?

?

?

總結

以上是生活随笔為你收集整理的DL之simpleNet：利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。