很多同學入門機器學習之后，直接用TensorFlow調包實現神經網絡，對于神經網絡內在機理知之甚少。

編程語言與技術框架變化更新非常之快，理解背后的原理才是王道。下面文摘菌和大家一起用Numpy實現一步一步實現神經網絡。

此篇文章旨在幫大家梳理神經網絡知識點，且此篇文章是第一部分，只是簡單搭一個簡單的框架。暫時不涉及梯度下降、學習率調參等知識點。

最簡單的神經網絡包含三個要素，輸入層，隱藏層以及輸出層。關于其工作機理其完全可以類比成一個元函數：Y=W*X+b。

一個簡單的神經網絡可以理解為兩次一元函數的輸入和輸出。

第一次：Y1=A1(W1*X+b1) ，其中X是原始數據的輸入,A1代表激活函數。

第二次：Y2=A2(W2*Y1+b2)，其中Y1是第一次的輸出，A2是激活函數。參數W1、W2、b1、b2原則上各不相同。

本篇文章我們用到的激活函數有兩個，一個是tan(x)，另一個是softmax。兩者的函數曲線如下。

兩個函數都有相同的特點，即函數值在零點左右變化較大，當輸入值遠離零點，其輸出較穩定。

首先導入相關的庫，需要兩個庫，一個用于科學計算的Numpy，另一個是math。

importnumpyasnpimport math

然后定義激活函數，

def tanh(x): return np.tanh(x)def softmax(x): exp=np.exp(x-x.max()) return exp/exp.sum()

這兩個激活函數，其中tanh函數，Numpy直接內嵌。softmax根據數學定義進行設置。第二個激活函數因為是指數函數，其值會變化較大，所以我們用x-x.max 縮小其變化范圍，這對結果不影響。

我們使用的圖片大小是 28*28像素。以后會用手寫數字數據集訓練網絡，所以會有10個數字輸入，分別是[1,2,3,4,5,6,7,8,9,10]。所以要先定義三個列表。

dinensions=[28*28,10]activation=[tanh,softmax]distribution=[{'b':[0,0]},{'b':[0,0],'w':[-math.sqrt(6/(dinensions[0]+dinensions[1])),math.sqrt(6/(dinensions[0]+dinensions[1]))]}]

dinensions列表里面包含兩個數，第一個是圖片的像素大小，第二個是數字的輸入變化量。

activation列表包含兩個激活函數，分別為tanh，softmax。

distribution 列表里面對應的是字典格式的數據，分別對應神經網絡參數取值范圍。

其中第一層不包含參數W。

definit_parameters_b(layer):dist=distribution[layer]['b'] return np.random.rand(dinensions[layer])*(dist[1]-dist[0])+dist[0] #使得生成的隨機數在 b 的區間內definit_parameters_w(layer):dist=distribution[layer]['w'] return np.random.rand(dinensions[layer-1],dinensions[layer])*(dist[1]-dist[0])+dist[0] #使得生成的隨機數在 b 的區間內

上面代碼是對b和w這兩個參數初始化，因為我們輸入的是28*28個數字，輸出的是10個數字。所以第一層的 b 也有28*28個數字組成。根據矩陣的乘法規則，第二層的時候，w的維度只有是28*28行，10列才能滿足輸出的10個數字。因此第二層的b是10個數字。

dinensions[X] 意思是取切片，dinensions[1] 取得是10，dinensions[0]，取得是28*28。

又因為np.random.rand（）這一函數輸出值的范圍在[0,1]，括號里面的參數（即dinensions[layer]只是確保輸出的數字個數滿足要求），所以為了讓輸出的值在一開始設置的 b 的區間內，我們設置先乘(dist[1]-dist[0])然后加上dist[0]。dist[1]和dist[0]分別對應參數的上下限。

definit_parameters():parameters=[]foriinrange(len(distribution)):layer_parameters={}forjindistribution[i].keys():ifj=='b':layer_parameters['b']=init_parameters_b(i)continueifj=='w':layer_parameters['w']=init_parameters_w(i)continueparameters.append(layer_parameters) return parameters

上面代碼是將三個參數的初始化集成達到一個函數里面。

先定義一個空列表（不要寫錯成空字典）是為了將三個參數統一輸出。

注：字典類型不能用append，列表可以用，列表.append（字典） 也是可以的。

然后從零開始遍歷distribution。用if循環語句，目的是把參數全部包含進來。

第二層for循環和if語句是判斷，并正確添加參數。

parameters=init_parameters() #將參數賦值給新的變量。defpredict(img,parameters):I0_in=img+parameters[0]['b']I0_out=activation[0](I0_in)I1_in=np.dot(I0_out,parameters[1]['w']+parameters[1]['b'])I1_out=activation[1](I1_in) return I1_out

定義輸出函數，思路是這樣的：輸入數據后，根據函數：y=wx+b，進行變換，第一層w全為1。然后經過激活函數（第一個激活函數是tanh，所以用activation[0]），得出第一層的輸入I0_out。 然后進入第二層，第一層的輸出作為輸入，根據函數：y=wx+b，進行變換，第二層的w為parameters[1]['w']，第二層的b為parameters[1]['b']。然后再經過激活函數softmax，得到輸出。

predict(np.random.rand(784),parameters).argmax()

最后，隨便輸入一個784維數據（像素），都可以輸出一個圖片標簽。

預測圖片中的數字

好了，我們第一個簡單的神經網絡就搭建好了，關于如何使用梯度下降和學習率，如何訓練網絡以及如何加載圖片數據，我們在以后的文章中會介紹。

注：此篇文章受B站up主大野喵渣的啟發，并參考了其代碼，感興趣的同學可以去B站觀看他關于神經網絡的教學視頻。