从零开始，搭建一个自己的神经网络

还记得我们上次讲到识别图片的神经网络吗？上次我们借助TensorFlow来完成了对图片的识别，对神经网络的工作原理也有所了解了，那么我们今天来尝试一下，从零开始，自己搭建一个简单的神经网络如何？

ok，如果你的回答是"好"，那我们就继续往下看，如果你的回答是"不好"，那我们今天到这里就结束了。

回答"好"的同学，那我们就开始往下看了：

首先我们要明确我们要做什么：

从零搭建一个神经网络我们需要四个步骤：

1、定义网络的结构，包含输入，输出，隐藏层

2、初始化模型的参数

3、正向传播（计算损失值）

4、反向传播（对权值进行更新）

（3、4两步是不停的重复去做的）

ok，那我们开始了！

在这里，我们需要用到numpy进行数据运算：

pip install numpy

安装完毕之后，我们就开始定义我们的激活函数了，这里我们定义一个简单的SIGMOD函数：

在定义好激活函数之后，下面我们需要来定义网络结构，可爱的numpy早就为我们准备好了自带是网络结构，也就是二维矩阵，我们可以简单的对数据进行定义。通过numpy的array方法创建一个二维矩阵，也就是我们的网络结构：

输出：

下面，我们来对模型参数进行初始化：两个参数w,b(权值和偏置项)

初始化完成之后我们就要完成正向传播和反向传播了，对于正向传播，我们用来计算预测的值，而反向传播则是根据预测值和实际值之间的误差来不断更新w和b的一个过程。

首先，我们来定义正向传播：

返回梯度grads和损失cost，在计算结束后有必要断言一下数据类型，防止数据出问题。

下面我们来定义一个反向传播，来更新权值和偏置项:

将之前定义的正向传播函数放进去执行迭代操作，计算每一步的当前损失和梯度，利用梯度下降法对权值进行更新

到这里整个模型就搭建完啦！

最后，当我们简单的预测模型搭建完毕之后，我们再把对应的预测函数写一下，这样前前后后就算大功告成了！

到现在为止，我们的一个简单的神经网络模型和预测函数就全部写完了，怎么样，是不是很简单？

你也动手来试试吧！

代码地址：

https://www.bytelang.com/o/s/c/34DtxAiWGjs=