“判断性别”Demo需求分析和初步设计（中）

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
}, _)