神经网络python代码中的疑问

我一直在努力学习人工智能，但我有以下关于它的疑问

def sigmoid(x):
return 1/(1+np.exp(-x))

# Derivative of the sigmoid function
def sigmoid_prime(x):
    return sigmoid(x) * (1 - sigmoid(x))

x = np.array([0.1, 0.3])
y = 0.2
weights = np.array([-0.8, 0.5])

# The learning rate, eta in the weight step equation
learnrate = 0.5

# The neural network output
nn_output = sigmoid(x[0]*weights[0] + x[1]*weights[1])
# or nn_output = sigmoid(np.dot(x, w))

# output error
error = y - nn_output

# error gradient
error_grad = error * sigmoid_prime(np.dot(x,w))

# Gradient descent step
del_w = [ learnrate * error_grad * x[0],
          learnrate * error_grad * x[1]]
# or del_w = learnrate * error_grad * x

疑问：

• 为什么我们只用x乘以权重，而不用y

  nn_output = sigmoid(x[0]*weights[0] + x[1]*weights[1])
  

• 为什么在计算梯度下降时要增加x的值

  del_w = [ learnrate * error_grad * x[0],
  learnrate * error_grad * x[1]]
  

---

像

x[0]

和

x[1]

嗯。类似于救援

想象一下，你正把一门大炮对准一个目标。你有你的瞄准曲柄（

w

），你可以调整它来移动加农炮（

x

）来击中目标（

y

）。因此，您尝试通过将曲柄设置（

w

）应用到加农炮（

x

）来命中；您不能将目标本身（

y

）用于此目的，因为它不在您的控制之下。所以你开火，击中目标的某个位置（

nn\u输出

）。您可以查看您错过了多少（

错误

）的方向，以确定如何更改下一次拍摄的方位角和角度（

w

）

实际上，更准确地说，在神经网络中，

x

（“输入”）并不是真正的大炮，而是射击的所有情况：风速、大炮位置、大炮模型和特性

w

（“重量”）实际上不仅仅是一个曲柄：这是我们根据所有

x

参数设置曲柄的知识（“如果大炮离目标很远，使角度更高”，“如果风来自北方，按此调整”…）

learnrate

是指你在调整中有多紧张。大的学习率意味着你调整得更快（当你偏离目标时很好），但当需要更好的控制时，你有可能在另一个方向上过度调整

---

有一件事可能会让您感到困惑，那就是

x

和

y

不是坐标，因此在它们的应用中是不对称的。当您在屏幕上绘制圆时，类似地处理

x

和

y

是有意义的。然而，在这里，

x

和

y

是两个截然不同的值：

x

是实际输入（例如

x[0]

风速，

x[1]

风向，

x[2]

炮龄，

x[3]

雷达上光点的方向，

x[4]

到雷达上光点的距离，

y

是应该输出的值（

y[0]

目标的经度，

y[1]

目标的纬度）-对它们一视同仁是没有意义的。

你可以看看这个并比较你的代码：什么意思，增加

x

的值？