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

雨受伤 2022-09-19 17:08:13  52632

分类专栏：资讯

导读
理解神经网络内部的数学机制

输出结果

输出权重参数： [[-0.94465146 -1.22617291 0.89064915]
[-0.36625531 1.57482914 0.82170746]]
输出预测： [-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]]

核心代码


class simpleNet:
    def __init__(self):
        self.W = np.random.randn(2,3)  用高斯分布进行初始化
 
    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 loss
 
net = 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)

网站声明：如果转载，请联系本站管理员。否则一切后果自行承担。

本文链接：https://www.xckfsq.com/news/show.html?id=3772

赞同 0

评论 0 条

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

输出结果

核心代码

相关文章

关注我们