如何从零基础用Python搭建一个简易神经网络？

本文共计1739个文字，预计阅读时间需要7分钟。

在机器学习教程的第一章中，我们展示了由一个感知器组成的神经网络，足以分离我们的示例类别。然而，对于某些类群，这些类型可能不起作用。

正如我们在机器学习教程的前一章中所展示的，仅由一个感知器组成的神经网络足以分离我们的示例类。当然，我们精心设计了这些类以使其工作。有许多类集群，对于它们不起作用。我们将查看其他一些示例，并将讨论无法分离类的情况。

我们的类是线性可分的。线性可分性在欧几里得几何中有意义。两组点（或类）称为线性可分的，如果平面中至少存在一条直线，使得一类的所有点都在直线的一侧，而另一类的所有点都在另一侧边。

更正式的：

如果两个数据簇（类）可以通过线性方程形式的决策边界分开

∑一世=1nX一世⋅瓦一世=0

它们被称为线性可分。

否则，即如果这样的决策边界不存在，则这两个类被称为线性不可分。在这种情况下，我们不能使用简单的神经网络。

AND 函数的感知器
在我们的下一个示例中，我们将用 Python 编写一个神经网络，它实现逻辑“与”函数。它按以下方式为两个输入定义：

我们在上一章中了解到，具有一个感知器和两个输入值的神经网络可以解释为决策边界，即划分两个类别的直线。我们要在示例中分类的两个类如下所示：

将 matplotlib.pyplot 导入为 plt
将 numpy 导入为 np

图, ax = plt 。子图()
xmin , xmax = - 0.2 , 1.4
X = np 。arange ( xmin , xmax , 0.1 )
ax 。scatter ( 0 , 0 , color = "r" )
ax 。