标签：Demo float sampleData Js state let forward 性别 初步设计

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

• 回顾相关课程内容
• 主问题：什么是神经网络
• 主问题：什么是前向传播
  • 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：什么是神经元？
  • 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）？
  • 什么是训练？
  • 什么是推理？

主问题：什么是神经网络

• 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

• 为什么？
  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：什么是前向传播

• “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
}, _)

标签：Demo,float,sampleData,Js,state,let,forward,性别,初步设计
来源： https://www.cnblogs.com/chaogex/p/16618506.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。