关于node.js:一个简单的神经网络例子

问题形容

咱们的问题是四个人，甲、乙、丙、丁，上面是他们之前去不去看电影的数据：

当初的问题是，如果下次能够确定：甲去、乙去、丙不去，那么丁去的概率是多少？

单节点神经网络

咱们的模型如下：

x1、x2、x3别离示意甲、乙、丙去不去的值，去就是1，不去是0。输入y示意丁去不去的值。

其中w1、w2、w3别离示意甲、乙、丙的权重，激活函数应用的是sigmoid，也就是：

权重进行随机，而后利用已知的值进行训练，不停调整权重，最终，把须要求解的数据输出获取后果即可。

代码实现

// 曾经产生的事件，作为训练种子
let seedData = [
    // 甲、乙、丙、丁去不去，0示意不去，1示意去
    [0, 0, 1, 0], // 第一次
    [1, 1, 1, 1], // 第二次
    [1, 0, 1, 1], // 第三次
    [0, 1, 1, 0] // 第四次
];

// 甲、乙、丙去不去对丁影响的权重的初始随机值: -1 ~ 1
let weights = [Math.random() * 2 - 1, Math.random() * 2 - 1, Math.random() * 2 - 1];

// 循环应用屡次种子进行训练
for (let i = 0; i < 10000; i++) {
    // 每次循环都利用一遍所有的种子
    for (let j = 0; j < seedData.length; j++) {

        // 应用sigmoid激活函数
        // y = 1/(1+exp(-x))
        let output = 1 / (1 + Math.exp(-1 * (seedData[j][0] * weights[0] + seedData[j][1] * weights[1] + seedData[j][2] * weights[2])));

        // 对甲、乙、丙的权重别离进行调整
        for (let k = 0; k < 3; k++) {

            // 而后求解和理论值的差距
            let error = seedData[j][3] - output;

            // 每次求解结束后，依据差距error进行调整权重weights
            /**
             * 在这里，调整的幅度取决于“差距”和“后果”
             *
             * 1.差距越大，调整的幅度也越大
             * 2.对后果而言，output * (1 - output)是一个二次函数，如果后果越凑近0或1，幅度越小，反之越大
             */
            let delta = error * output * (1 - output);
            weights[k] += seedData[j][k] * delta;

        }

    }
}

let input = [1, 0, 0];

console.log(weights);
console.log(
    1 / (1 + Math.exp(-1 * (input[0] * weights[0] + input[1] * weights[1] + input[2] * weights[2])))
);

答疑

对于权重调整为什么要乘上输出值的了解?

weights[k] += seedData[j][k] * delta;

能够看见，权重的调整最终减少的值是seedData[j][k] * delta

为什么？

delta 的值和error的正负性上保持一致，激活函数是枯燥递增的，如果error大于0，那么调整后激活函数的输出应该变大，可是输出可能大于0也可能小于0，怎么办？

如果减少的权重乘上输出，那么理论激活函数输出的扭转就是：

seedData[j][k] * seedData[j][k] * delta = seedData[j][k]的平方 * delta

也就是扭转量的正负和delta保持一致，这样，目标就达到了。