Press "Enter" to skip to content

“判断性别”Demo需求分析和初步设计(中)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

大家好~我开设了“深度学习基础班”的线上课程,带领同学从0开始学习全连接和卷积神经网络,进行数学推导,并且实现可以运行的Demo程序

 

线上课程资料:

 

本节课录像回放

 

加QQ群,获得ppt等资料,与群主交流讨论:106047770

 

本系列文章为线上课程的复盘,每上完一节课就会同步发布对应的文章

 

本文为第二节课:“判断性别”Demo需求分析和初步设计(中)的复盘文章

 

本课程系列文章可进入索引查看:

深度学习基础课系列文章索引

目录

主问题:什幺是神经网络
主问题:什幺是前向传播

任务:用代码实现神经网络

回顾相关课程内容

第二节课:“判断性别”Demo需求分析和初步设计(上)

主问题:什幺是神经元?
已知一个人的身高为150厘米,体重为50公斤,如何使用神经元得到该人的性别(应该为女性)?
什幺是训练?
什幺是推理?

主问题:什幺是神经网络

 

已知两个人的身高和体重,能否使用神经元得到他们的性别(一男一女)?

能,因为权重、偏移为未知量,总数量为3,小于方程的数量(2),所有有无数解,所以可确定一组解(权重、偏移)

 

如何修改代码?

修改train函数:给出一组权重、偏移,使得结果为分别为0、1;

激活函数不变

 

已知四个人的身高和体重,能否使用神经元得到他们的性别?

不能

 

为什幺?

因为权重、偏移为未知量,总数量为3,小于方程的数量(4),所以无解

 

如何扩展,才能有解?

使用神经网络,增加权重、偏移的数量!

 

请设计一个最简单的神经网络?(有几层?每层有几个神经元?)

 

如何根据输入层的输入,最终得到输出层的输出?

 

计算公式如下所示:

 

现在有几个未知解?能够有解了吗?

有解

 

主问题:什幺是前向传播

“根据输入层的输入,最终得到输出层的输出?”的过程称为前向传播
前向传播算法包括哪些步骤?
从输入层开始,依次传入每层,得到每层的输出;
最后传到输出层,得到最后的输出

任务:用代码实现神经网络

 

请修改神经元代码,提出神经元的前向传播forward函数?

修改后的相关代码为:

Neural_forward_answer

 

let forward = (state: state, sampleData: sampleData): float => {
  sampleData.height *. state.weight1 +.
  sampleData.weight *. state.weight2 +.
  state.bias->_activateFunc
}
let inference = (state: state, sampleData: sampleData): gender => {
  forward(state, sampleData)->_convert
}

请在神经元代码的基础上,实现神经网络的前向传播和推理(训练函数不用实现)?

推理函数需要修改吗?
不需要
神经网络代码如下所示:
NeuralNetwork_answer

type state = {
  weight13: float,
  weight14: float,
  weight23: float,
  weight24: float,
  weight35: float,
  weight45: float,
  bias3: float,
  bias4: float,
  bias5: float,
}
type sampleData = {
  weight: float,
  height: float,
}
type gender =
  | Male
  | Female
  | InValid
let createState = (): state => {
  weight13: Js.Math.random(),
  weight14: Js.Math.random(),
  weight23: Js.Math.random(),
  weight24: Js.Math.random(),
  weight35: Js.Math.random(),
  weight45: Js.Math.random(),
  bias3: Js.Math.random(),
  bias4: Js.Math.random(),
  bias5: Js.Math.random(),
}
// not implement
let train = (state: state, allSampleData: array<sampleData>): state => {
  state
}
let _activateFunc = x => x
let _convert = x =>
  switch x {
  | 0. => Male
  | 1. => Female
  | _ => InValid
  }
let forward = (state: state, sampleData: sampleData): float => {
  let y3 = Neural_forward_answer.forward(
    (
      {
        weight1: state.weight13,
        weight2: state.weight23,
        bias: state.bias3,
      }: Neural_forward_answer.state
    ),
    sampleData->Obj.magic,
  )
  let y4 = Neural_forward_answer.forward(
    (
      {
        weight1: state.weight14,
        weight2: state.weight24,
        bias: state.bias4,
      }: Neural_forward_answer.state
    ),
    sampleData->Obj.magic,
  )
  Neural_forward_answer.forward(
    (
      {
        weight1: state.weight35,
        weight2: state.weight45,
        bias: state.bias5,
      }: Neural_forward_answer.state
    ),
    (
      {
        weight: y3,
        height: y4,
      }: Neural_forward_answer.sampleData
    ),
  )
}
let inference = (state: state, sampleData: sampleData): gender => {
  Js.log(forward(state, sampleData))
  forward(state, sampleData)->_convert
}
let state = createState()
let allSampleData = [
  {
    weight: 50.,
    height: 150.,
  },
  {
    weight: 51.,
    height: 149.,
  },
  {
    weight: 60.,
    height: 172.,
  },
  {
    weight: 90.,
    height: 188.,
  },
]
let state = state->train(allSampleData)
allSampleData->Js.Array.forEach(sampleData => {
  inference(state, sampleData)->Js.log
}, _)

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。