130
个编辑
更改
跳到导航
跳到搜索
第136行：
第136行： + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
无编辑摘要
|多用于自然语言处理，结构更复杂
|多用于自然语言处理，结构更复杂
|}
|}
== 算法实现 ==
=== 基本模型实现 ===
这是一个两层的前馈神经网络结构，重点在于'''结构理解'''与'''前向传播的流程'''<syntaxhighlight lang="python3">
import numpy as np
# 激活函数
def relu(x):
return np.maximum(0, x)
# 定义输入向量（2维），权重矩阵和偏置
X = np.array([[0.5, 0.3]]) # 1个样本，2个特征
# 网络结构：2输入 -> 3隐藏 -> 1输出
W1 = np.array([[0.1, 0.4, 0.6],
[0.3, 0.2, 0.5]]) # shape (2, 3)
b1 = np.array([[0.1, 0.1, 0.1]]) # shape (1, 3)
W2 = np.array([[0.7],
[0.2],
[0.9]]) # shape (3, 1)
b2 = np.array([[0.05]]) # shape (1, 1)
# 前向传播
Z1 = np.dot(X, W1) + b1 # 输入 -> 隐藏层
A1 = relu(Z1) # ReLU激活
Z2 = np.dot(A1, W2) + b2 # 隐藏层 -> 输出层
print("输出结果:", Z2)
</syntaxhighlight>这个模型没有训练过程，仅说明了'''输入如何通过网络进行转换'''。
即为（2输入） → （3隐藏） → （1输出）
== 历史 ==
== 历史 ==