更新基本神经网络中的权重答案

【问题标题】：Updating weights in basic neural network更新基本神经网络中的权重
【发布时间】：2021-08-06 23:36:16
【问题描述】：

问题：

我是神经网络主题的新手，今天想学习如何让我的神经网络学习。我正在尝试做一个在互联网上找到的练习。所有系列的误差总和应为： 1.501535 但我收到了7.394650000000001，所以我认为我的权重没有更新。这正是问题所在，但我不知道如何正确更新权重。

代码：

import numpy as np

def calculate(input_numbers: list[float], weights: np.array, iterations: int, alpha: float, goal: list[float]):
        num_rows, num_cols = weights.shape
        if not len(input_numbers) == num_cols:
            print("Wrong matrix")
            return 0
            
        error = 0
        prediction = np.dot(input_numbers, np.transpose(weights))
        delta = prediction - goal
        weights_delta = np.outer(delta, input_numbers)
        weights = weights - (weights_delta * alpha)
        error = error + (pow(prediction - goal, 2))
        print("\nXXXXXXXXXXXXXXXX SUMMARY XXXXXXXXXXXXXXXXX")
        print("delta :" + str(delta))
        print("weights_delta :" + str(weights_delta))
        print("Weights : " + str(weights))
        print("error : " + str(error))
            
        return np.sum(error)

input_1 = [8.5, 0.65, 1.2]
goal_1 = [0.1, 1, 0.1]
input_2 = [9.5, 0.8, 1.3]
goal_2 = [0, 1, 0]
input_3 = [9.9, 0.8, 0.5]
goal_3 = [0, 0, 0.1]
input_4 = [9.0, 0.9, 1.0]
goal_4 = [0.1, 1, 0.2]

weights_matrix = np.array([[0.1, 0.1, -0.3], [0.1, 0.2, 0.0], [0.0, 1.3, 0.1]])
for x in range(50):
    print("\nITERATION: ", x)
    error_sum = calculate(input_1, weights_matrix, 1, 0.01, goal_1)
    error_sum = error_sum + calculate(input_2, weights_matrix, 1, 0.01, goal_2)
    error_sum = error_sum + calculate(input_3, weights_matrix, 1, 0.01, goal_3)
    error_sum = error_sum + calculate(input_4, weights_matrix, 1, 0.01, goal_4)

print("TOTAL ERROR: ", error_sum)

有人会指导我在哪里以及如何更新权重吗？我尝试在calculate() 中返回weights，但结果完全错误，所以我想应该以不同的方式完成。

【问题讨论】：

标签： python numpy neural-network

【解决方案1】：

好的，所以，我不知道为什么会这样，可能与赋值有关。就像，在第一种情况下，它定义了一个 new 变量 weights，在第二行中它更改了您传递的数组。

不管怎样，改变

weights = weights - (weights_delta * alpha)

到

weights -= (weights_delta * alpha)

【讨论】：