使用python构造神经网络

《使用python构造神经网络》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、12-8-27使用Python构造神经网络使用Python构造神经网络Hopfield网络可以重构失真的图案并消除噪声热的东西显然会变凉。房间会会人沮丧地变得凌乱。几乎同样，消息会失真。逆转这些情况的短期策略分别是重新加热、做卫生和使用Hopfield网络。本文向您介绍了三者中的最后一个，它是一个只需要特定的参数就可以消除噪声的算法。net.py是一个特别简单的Python实现，将向您展示它的基本部分如何结合到一起，以及为何Hopfield网络有时可以自失真的图案中重新得到原图案。尽管这个实现有局

2、限性，不过仍然可以让您获得关于Hopfield网络的很多有益且有启发作用的经验。您寻求的是什么？我假定您是因为遇到了一些计算上的问题而来阅读本文。有人向您建议，一些神经网络算法可能会提供解决方案。具体说，建议是说您可以使用一个Hopfield网络。我进一步假设您需要有一个大致的想法，以使得您可以决定那个建议是否切实可行而且确保深入的研究。下面这个Hopfield网络的非常缩略的应用可能会引导您着手解决问题。首先，您的问题有一组基本的用-1和+1编码的图案。如果需要，它们可以用0和+1编码。这些图案

3、可以是邮票的规格化的二进制图案（参阅参考资料）。下一个要素是偏离这一基础的一组图案。您寻求的是创建代码，以使得可以输入不正常的图案而输出应得的一个基本图案。因而您寻求的将是一个算法，可以输入一个对特定邮票的编码描述，然后输出应得的一个基本邮票图案。您搜索不确定会成功。有可以接受的对您的计划产生负面影响的失败率。对您来说，会有一个不会显著地影响您的项目的邮票误识别的比率。如果这使您想起了您的问题，下面可能会是您的解决方案设计的开始。在结束之前，您最好应该能回答出基本的问题。这个Hopfield是什么

4、？它如何工作？它的局限性是什么？它可以为我做什么？我希望用更多的时间来研究它吗？回页首图案及其失真让我们首先来看将会失真而随后被重新获得的五个任意图案。它们可以可视化地表示为10乘10的黑白方块矩阵。图1展示了第一个图案，p1。图1.p1的可视化表示www.ibm.com/developerworks/cn/linux/l-neurnet/1/1012-8-27使用Python构造神经网络点击net.py中p2到p5的任意一个，可以显示其他的图案。为了编码，这五个图案被初始描述为Python列表。

5、这样，举例来说，第一个图案的描述见清单1。清单1.图案p1p1=[[1,1,1,1,1,1,1,1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,

6、-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1],[-1,-1,-1,-1,-1,-1,-1,-1,1,1]]黑色和白色的方块分别对应于-1和+1。这个列表随后被转化为一个数组。（请参阅参考资料，获得我使用的Python库的参考。）对应于这类图案中的每一个元素，-1或者+1，在节点数组中都有一个节点对象。一个节点对象有三个主要属性：一个节点对象有一个值，它是图案中的一个元素。一个节点还有一个地址，也就是在数组中它的地址。每个节点还有一个颜色，以使得它可以显示出

7、来。如前所述，Hopfield的一个功能是消除噪声。为实现这一功能，需要有一种方法来给图案引入噪声。点击AddNoise恰好可以完成此任务。向p1添加噪声生成了图2。图2.失真的p1www.ibm.com/developerworks/cn/linux/l-neurnet/2/1012-8-27使用Python构造神经网络为了给一个图案引入噪声，Hopfield要访问节点数组中的每一个地址。然后它会在[0,1)中取一个随机数，也就是0到1之间包括0但不包括1。如果数字小于某个固定的标准，网络就会改

8、变节点的值和颜色，否则就会保持不变。默认情况下，这个标准设置为0.20，这样任意给定的节点就有百分之二十的可能会改变其值和颜色。您可以用调节滑块来改变这个概率。调为0%时，不会有噪声，调为100%时，节点数组会简单地反转。取这区间的值，会出现所有其他通常的可能。每个值都会给一个图案引入特定程度的噪声。由于Hopfield网络是一个消除噪声的算法，它可以输入一个如图2所示的失真的图案，然后输出图1中的原始图案。尽管有时会因不合适的解释而变得晦涩，相关的算法实现起来还是相当简单的。接下