AI人工智能 神经网络
**
AI人工智能 神经网络概述
**
神经网络是并行计算设备，它们试图构建大脑的计算机模型。 背后的主要目标是开发一个系统来执行各种计算任务比传统系统更快。
这些任务包括模式识别和分类，近似，优化和数据聚类
什么是人工神经网络(ANN)
| 人工神经网络(ANN)是一个高效的计算系统，其核心主题是借用生物神经网络的类比。人工神经网络也被称为人工神经系统，并行分布式处理系统和连接系统。 ANN获取了大量以某种模式相互连接的单元，以允许它们之间的通信。这些单元也称为节点或神经元，是并行操作的简单处理器。 | |
|---|---|
每个神经元通过连接链接与其他神经元连接。每个连接链路与具有关于输入信号的信息的权重相关联。这是神经元解决特定问题最有用的信息，因为体重通常会激发或抑制正在传递的信号。每个神经元都有其内部状态，称为激活信号。在组合输入信号和激活规则之后产生的输出信号可以被发送到其他单元。
如果想详细研究神经网络，那么可以参考以下示例 - 人工神经网络。
安装有用的包
在 Python 中创建神经网络，可以使用一个强大的 NeuroLab 神经网络包。它是一个基本的神经网络算法库，具有灵活的网络配置和 Python 学习算法。可以在命令提示符下使用以下命令来安装此软件包
pip install NeuroLab
如果使用的是 Anaconda 环境，请使用以下命令安装 NeuroLab
conda install -c labfabulous neurolab
AI人工智能 基于感知器的分类器
感知器是 ANN 的基石。
以下是逐步执行 Python 代码，用于构建基于感知器的简单神经网络分类器
如下所示导入必要的软件包
import matplotlib.pyplot as plt
import neurolab as nl
这是一个监督学习的例子，因此您也必须提供目标值。
input = [[0, 0], [0, 1], [1, 0], [1, 1]]
target = [[0], [0], [0], [1]]
用 2 个输入和 1 个神经元创建网络
net = nl.net.newp([[0, 1],[0, 1]], 1)
现在，训练网络。 在这里使用 Delta 规则进行训练。
error_progress = net.train(input, target, epochs=100, show=10, lr=0.1)
接下来，可视化输出并绘制图表
plt.figure()
plt.plot(error_progress)
plt.xlabel('Number of epochs')
plt.ylabel('Training error')
plt.grid()
plt.show()
可以看到下图显示了使用错误度量标准的训练进度
AI人工智能 单层神经网络
这些神经元在输入数据上起作用以产生输出。 请注意，这里使用 neural_simple.txt 文件作为输入。
如下所示导入所需的软件包
import numpy as np
import matplotlib.pyplot as