从感知机到多层神经网络的实现.docxVIP

电子信息与计算机工程学院

实验报告

课程名称

深度学习原理及应用

学院

电子信息与计算机工程学院

学生姓名

年级

学号

专业

指导老师

实验名称

从感知机到多层神经网络的实现

日期

地点

组成员

成绩

优【】良【】中【】及格【】不及格【】

一、实验实训目的

通过实现从简单的感知机到多层神经网络，理解神经网络的基本原理和架构。使学生学会以下技能：感知机原理、神经网络架构、前向传播、NumPy库使用。

二、实验实训仪器设备

1、计算机

2、Python深度学习框架

三、实验实训内容及步骤

实验内容：实现从简单的感知机到多层神经网络

实验步骤：1.首先根据以下代码实现基本的感知机模型。

2.实现具有一个隐藏层的多层神经网络。

最终得到结果如下：

实验分析：

根据图一代码，我们实现了基本感知机模型：

使用了一个简单的线性模型，通过权重和偏置项进行预测。使用阶跃函数作为激活函数。通过迭代更新权重，逐步减少预测误差。

根据图二代码我们实现了多层神经网络：

包含一个隐藏层，使用Sigmoid函数作为激活函数。前向传播计算隐藏层和输出层的激活值。反向传播通过计算误差并更新权重来训练网络。

对于输入?[2,?3]，感知机模型应该输出?1，因为这个样本在训练集中被标记为?1。

对于输入?[1,?1]，感知机模型应该输出?0，因为这个样本在训练集中被标记为?0。

在多层神经网络中，我们使用了一个简单的异或（XOR）数据集进行训练。训练完成后，我们对四个样本进行预测：

对于输入?[0,?0]，神经网络应该输出接近?0。

对于输入?[0,?1]，神经网络应该输出接近?1。

对于输入?[1,?0]，神经网络应该输出接近?1。

对于输入?[1,?1]，神经网络应该输出接近?0。

这些结果符合异或逻辑的输出。

实验实训反思与总结

在从感知机到多层神经网络的学习过程中，我深刻体会到了深度学习模型的复杂性与强大能力。通过实践，我认识到参数初始化、学习率选择对训练效果的影响巨大。同时，我也意识到防止过拟合的重要性，正则化技术和交叉验证是提升模型泛化能力的有力工具。此外，特征工程在提高模型性能方面同样不可忽视。这次实训不仅加深了我对理论知识的理解，也锻炼了我的动手能力和问题解决能力。

综合评语

实验目的：¨明确¨基本明确?不明确

实验手段：¨准确无误¨基本准确?错误

实验内容：¨按时完成¨基本能按要求完成?不能按时完成

实验步骤：¨准确完整¨基本完整?不完整

实验结果：¨正确?基本正确?错误

实验总结：?全面、深入¨比较全面、不够深入?没有总结

实验报告：¨版面整洁¨有格式错误?不符合要求

教师签字：时间：