C#构建一个简单的前馈神经网络
1. 神经网络的基本概念
神经网络是一种模拟人脑神经元结构的计算模型，由多个神经元（节点）组成，这些神经元通过连接（边）相互作用。每个连接都有一个权重，用于表示连接的重要性。神经网络通常分为输入层、隐藏层和输出层。
2. 神经元
神经元是神经网络的基本单元，它接收输入信号，通过激活函数处理这些信号，然后产生输出。常见的激活函数包括Sigmoid、ReLU、Tanh等。
3. 前向传播
前向传播是从输入层到输出层的信号传递过程。每个神经元的输出作为下一层神经元的输入，直到最终产生输出。
4. 反向传播
反向传播是训练神经网络的关键步骤，通过计算损失函数的梯度并调整权重，使得网络的预测误差最小化。
using System;
using System.Linq;
using System.Text;
using System.Threading.Tasks;namespace Project.NeuralNetwork
{/// <summary>/// 构建神经网络/// 简单的前馈神经网络/// </summary>public class NeuralNetwork{/// <summary>/// 定义神经网络的层数和每层的神经元数量/// </summary>private readonly int[] layers;/// <summary>/// 存储每层的神经元值/// </summary>private double[][] neurons;/// <summary>/// 存储每层之间的权重/// </summary>private double[][][] weights;/// <summary>/// 存储每层的偏置/// </summary>private double[][] biases;/// <summary>/// 初始化/// </summary>/// <param name="layers"></param>public NeuralNetwork(int[] layers){this.layers = layers;InitializeNeurons();InitializeWeightsAndBiases();}/// <summary>/// 初始化神经元数组/// </summary>private void InitializeNeurons(){neurons = new double[layers.Length][];for (int i = 0; i < layers.Length; i++){neurons[i] = new double[layers[i]];}}/// <summary>/// 随机初始化权重和偏置/// </summary>private void InitializeWeightsAndBiases(){Random random = new Random();weights = new double[layers.Length - 1][][];biases = new double[layers.Length - 1][];for (int i = 0; i < layers.Length - 1; i++){weights[i] = new double[layers[i]][];for (int j = 0; j < layers[i]; j++){weights[i][j] = new double[layers[i + 1]];for (int k = 0; k < layers[i + 1]; k++){weights[i][j][k] = random.NextDouble() * 2 - 1;}}biases[i] = new double[layers[i + 1]];for (int j = 0; j < layers[i + 1]; j++){biases[i][j] = random.NextDouble() * 2 - 1;}}}/// <summary>/// sigmoid激活函数/// </summary>/// <param name="x"></param>/// <returns></returns>private double Sigmoid(double x){return 1.0 / (1.0 + Math.Exp(-x));}/// <summary>/// sigmoid激活函数的导数/// </summary>/// <param name="x"></param>/// <returns></returns>private double SigmoidDerivative(double x){return x * (1 - x);}/// <summary>/// 前向传播/// </summary>/// <param name="inputs"></param>public void Forward(double[] inputs){Array.Copy(inputs, neurons[0], inputs.Length);for (int i = 1; i < layers.Length; i++){for (int j = 0; j < layers[i]; j++){double sum = biases[i - 1][j];for (int k = 0; k < layers[i - 1]; k++){sum += neurons[i - 1][k] * weights[i - 1][k][j];}neurons[i][j] = Sigmoid(sum);}}}/// <summary>/// 反向传播/// </summary>/// <param name="target"></param>/// <param name="learningRate"></param>public void Backward(double[] target, double learningRate){double[][] deltas = new double[layers.Length - 1][];// 计算输出层deltas[layers.Length - 2] = new double[layers[layers.Length - 1]];for (int i = 0; i < layers[layers.Length - 1]; i++){double error = target[i] - neurons[layers.Length - 1][i];deltas[layers.Length - 2][i] = error * SigmoidDerivative(neurons[layers.Length - 1][i]);}// 计算隐藏层for (int i = layers.Length - 3; i >= 0; i--){deltas[i] = new double[layers[i + 1]];for (int j = 0; j < layers[i + 1]; j++){double error = 0.0;for (int k = 0; k < layers[i + 2]; k++){error += deltas[i + 1][k] * weights[i + 1][j][k];}deltas[i][j] = error * SigmoidDerivative(neurons[i + 1][j]);}}// 更新权重和偏差for (int i = 0; i < layers.Length - 1; i++){for (int j = 0; j < layers[i]; j++){for (int k = 0; k < layers[i + 1]; k++){weights[i][j][k] += learningRate * neurons[i][j] * deltas[i][k];}}for (int j = 0; j < layers[i + 1]; j++){biases[i][j] += learningRate * deltas[i][j];}}}/// <summary>/// 训练神经网络，使用反向传播算法更新权重和偏置/// </summary>/// <param name="inputs">输入</param>/// <param name="targets">目标</param>/// <param name="epochs">数据运算次数</param>/// <param name="learningRate">学习速率</param>public void Train(double[][] inputs, double[][] targets, int epochs, double learningRate){for (int epoch = 0; epoch < epochs; epoch++){for (int i = 0; i < inputs.Length; i++){Forward(inputs[i]);Backward(targets[i], learningRate);}}}/// <summary>/// 使用训练好的模型进行预测/// </summary>/// <param name="input"></param>/// <returns></returns>public double[] Predict(double[] input){Forward(input);return neurons[layers.Length - 1];}}
}- 准备训练数据
- 训练网络
- 测试网络并输出结果
//1. 数据准备double[][] inputs = new double[][]{new double[] { 0, 0 },new double[] { 0, 1 },new double[] { 1, 0 },new double[] { 1, 1 }};double[][] targets = new double[][]{new double[] { 0 },new double[] { 1 },new double[] { 1 },new double[] { 0 }};//2. 构建神经网络// 定义神经网络结构：输入层2个神经元，隐藏层3个神经元，输出层1个神经元int[] layers = { 2, 3, 1 };NeuralNetwork model = new NeuralNetwork(layers);//3. 训练和评估//使用训练数据训练神经网络，并评估其性能。model.Train(inputs, targets, 10000, 0.01);//4. 训练神经网络model.Train(inputs, targets, epochs: 10000, learningRate: 0.5);// 预测数据foreach (var input in inputs){double[] prediction = model.Predict(input);Console.WriteLine($"输入: [{string.Join(", ", input)}] => 输出: [{string.Join(", ", prediction)}]");}相关文章：
C#构建一个简单的前馈神经网络
1. 神经网络的基本概念 神经网络是一种模拟人脑神经元结构的计算模型，由多个神经元（节点）组成，这些神经元通过连接（边）相互作用。每个连接都有一个权重，用于表示连接的重要性。神经网络通常分为…...
241123-UEFI模式下Linux-Windows双系统通过Grub设置选择开机系统
A. 准备工作: 将Linux系统作为默认启动系统 通过BIOS或EasyUEFI设置启动首选项为对应的Linux系统 A.1 通过BIOS选择对应的Linux系统 技嘉进入BIOS的按键 A.2 通过绿色向上箭头置顶Linux系统，下载地址： EasyUEFI A.1 与 A.2本质上执行的相同的操作 B. …...
LLaMA-Factory 上手即用教程
LLaMA-Factory 是一个高效的大型语言模型微调工具，支持多种模型和训练方法，包括预训练、监督微调、强化学习等，同时提供量化技术和实验监控，旨在提高训练速度和模型性能。 官方开源地址：https://github.com/hiyouga/L…...
单片机_简单AI模型训练与部署__从0到0.9
IDE： CLion MCU： STM32F407VET6 一、导向 以求知为导向，从问题到寻求问题解决的方法，以兴趣驱动学习。 虽从0，但不到1，剩下的那一小步将由你迈出。本篇主要目的是体验完整的一次简单AI模型部署流程&#x…...
Java-08 深入浅出 MyBatis - 多对多模型 SqlMapConfig 与 Mapper 详细讲解测试
点一下关注吧！！！非常感谢！！持续更新！！！ 大数据篇正在更新！https://blog.csdn.net/w776341482/category_12713819.html 目前已经更新到了： MyBatisÿ…...
单元测试、集成测试、系统测试、验收测试、压力测试、性能测试、安全性测试、兼容性测试、回归测试（超详细的分类介绍及教学）
目录 1.单元测试 实现单元测试的方法： 注意事项： 2.集成测试 需注意事项： 实现集成测试的方法： 如何实现高效且可靠的集成测试： 3.系统测试 实现系统测试的方法: 须知注意事项： 4.验收测试 实现验…...
整车安全需求考量的多维度深度剖析
在汽车工程领域，整车安全需求的确定是一项复杂且系统的工程，其涵盖了多个关键维度的综合考量。从需求的萌生到最终的落地实施，每一个环节都紧密相扣，涉及众多技术细节与实际操作的权衡。 一、需求来源的多渠道挖掘 整车安全需求的来源广泛，其中 TARA（威胁分析与风险评估）…...
虚幻引擎---初识篇
一、学习途径 虚幻引擎官方文档：https://dev.epicgames.com/documentation/zh-cn/unreal-engine/unreal-engine-5-5-documentation虚幻引擎在线学习平台：https://dev.epicgames.com/community/unreal-engine/learning哔哩哔哩：https://www.b…...
)
Oracle - 多区间按权重取值逻辑 ，分时区-多层级-取配置方案(二)
Oracle - 多区间按权重取值逻辑 ，分时区-多层级-取配置方案https://blog.csdn.net/shijianduan1/article/details/133386281 某业务配置表，按配置的时间区间及组织层级取方案，形成报表展示出所有部门方案的取值； 例如࿰…...
线性代数的发展简史
线性代数的发展简史 线性代数作为数学的一个重要分支，其发展历史悠久而丰富。从古代文明中的基础计算到现代复杂的理论体系，线性代数经历了多个阶段的演变。 古代的起源 线性代数的雏形可以追溯到古埃及、古希腊、古印度和古代中国时期。这些早期文明…...
git使用详解
一、git介绍 1、git简介 Git 是一个开源的分布式版本控制系统（最先进的，没有之一），用于敏捷高效地处理任何或小或大的项目。 Git 是 Linus Torvalds 为了帮助管理 Linux 内核开发而开发的一个开放源码的版本控制软件。 Git 与常用…...
ros2学习日记_241124_ros相关链接
前言 提醒： 文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。 其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展…...
【SQL】【数据库】语句翻译例题
SQL自然语言到SQL翻译知识点 以下是将自然语言转化为SQL语句的所有相关知识点，分门别类详细列出，并结合技巧说明。 1. 数据库操作 创建数据库 自然语言：创建一个名为“TestDB”的数据库。 CREATE DATABASE TestDB;技巧：识别**“创…...
图书管理系统（源码+数据库+报告）
基于SpringBoot的图书管理系统，系统包含两种角色：管理员、用户,系统分为前台和后台两大模块，主要功能如下。 前台： - 首页：展示系统推荐、热门图书等信息。 - 论坛：提供用户交流讨论的平台。 - 公告信息&a…...
python中lxml 库之 etree 使用详解
目录 一、 etree 介绍二、xpath 解析 html/xml1、第一步就是使用 etree 连接 html/xml 代码/文件。2、 xpath 表达式定位① xpath结合属性定位② xpath文本定位及获取③ xpath层级定位④ xpath索引定位⑤ xpath模糊匹配 一、 etree 介绍 lxml 库是 Python 中一个强大的 XML 处…...
-基础入门之vue-nuxt反向代理)
vue3(十九)-基础入门之vue-nuxt反向代理
一、反向代理 1、下载 nuxtjs/proxy 使用 npm npm install nuxtjs/proxy 或使用 yarn yarn add nuxtjs/proxy 2、配置 nuxt.config.js 文件 export default {modules: [nuxtjs/axios,nuxtjs/proxy],axios: {baseURL: /,proxy: true},proxy: {/api/: {target: https://i.maoya…...
Unity3D 截图
使用 Unity3D 自带的截图接口，制作截图工具。 截图 有时候我们想对 Unity 的窗口进行截图，如果直接使用一些截图工具，很难截取到一张完整分辨率的图片（例如，我们想要截取一张 1920 * 1080 的图片）。 其实…...
lnq(x)还是q(x)lnq(x)？)
【机器学习】近似分布的熵到底是p(x)lnq(x)还是q(x)lnq(x)？
【1】通信的定义 信息量（Information Content）是信息论中的一个核心概念，用于定量描述一个事件发生时所提供的“信息”的多少。它通常用随机变量 𝑥的概率分布来定义。事件 𝑥发生所携带的信息量由公式给出࿱…...
C语言：深入理解指针
一.内存和地址 我们知道计算机上CPU（中央处理器）在处理数据的时候，需要的数据是在内存中读取的，处理后的数据也会放回内存中，那我们买电脑的时候，电脑上内存是 8GB/16GB/32GB 等，那这些内存空间…...
Vue实训---4-使用Pinia实现menu菜单展示/隐藏
0.menu菜单展示/隐藏实现方法 Menu 菜单 | Element Plus中，当:collapse"isCollapse"其中isCollapse的值为true时菜单栏隐藏，当isCollapse的值为false时菜单栏显示。接下来使用pinia实现CommonAside.vue和CommonHeader.vue组件之间数据的共享&…...
Fakelocation Server服务器/专业版 Centos7
前言:需要Centos7系统 Fakelocation开源文件系统需求 Centos7 | Fakelocation | 任务一 更新Centos7 （安装下载不再赘述） sudo yum makecache fastsudo yum update -ysudo yum install -y kernelsudo reboot//如果遇到错误提示为 Another app is curre…...
网络安全，文明上网（4）掌握网络安全技术
前言 在数字化时代，个人信息和企业数据的安全变得尤为重要。为了有效保护这些宝贵资产，掌握一系列网络安全技术是关键。 核心技术及实施方式 1. 网络监控与过滤系统： 这些系统构成了网络防御体系的基石，它们负责监控网络通信&…...
Ettus USRP X410
总线连接器: 以太网 RF频率范围: 1 MHz 至 7.2 GHz GPSDO: 是 输出通道数量: 4 RF收发仪瞬时带宽: 400 MHz 输入通道数量: 4 FPGA: Zynq US RFSoC (ZU28DR) 1 MHz to 7.2 GHz，400 MHz带宽，GPS驯服OCXO，USRP软件无线电设备 Ettus USRP X410集…...
在SQLyog中导入和导出数据库
导入 假如我要导入一个xxx.sql，我就先创建一个叫做xxx的数据库。 然后右键点击导入、执行SQL脚本 选择要导入的数据库文件的位置，点击执行即可 注意： 导入之后记得刷新一下导出 选择你要导出的数据库 右键选择：备份/导出、…...
一文了解Spring提供的几种扩展能力
基于 spring bean 的扩展 1. BeanPostProcessor spring 提供的针对 bean 的初始化过程时提供的扩展能力，从方法名也很容易看出，提供的两个方法分别是为 bean 对象提供了初始化之前以及初始化之后的扩展能力。 package com.wyl.conf;import org.spring…...
VXLAN说明
1. 什么是 VXLAN ？ VXLAN（Virtual Extensible LAN，虚拟扩展局域网）是一种网络虚拟化技术，旨在通过在现有的物理网络上实现虚拟网络扩展，从而克服传统 VLAN 的一些限制。 VXLAN 主要用于数据中心、云计算环…...
MyBatis基本使用
一、向SQL语句传参: 1.MyBatis日志输出配置: mybatis配置文件设计标签和顶层结构如下: 可以在mybatis的配置文件使用settings标签设置，输出运过程SQL日志,通过查看日志，可以判定#{}和${}的输出效果 settings设置项: logImpl指定 MyBatis 所用日志的具…...
调度算法)
Linux笔记---进程：进程切换与O(1)调度算法
1. 补充概念 1.1 并行与并发 竞争性：系统进程数目众多，而CPU资源只有少量，甚至只有1个，所以进程之间是具有竞争属性的。为了高效完成任务，更合理竞争相关资源，便具有了优先级。独立性：多进程运…...
)
Flink学习连载第二篇-使用flink编写WordCount(多种情况演示)
使用Flink编写代码，步骤非常固定，大概分为以下几步，只要牢牢抓住步骤，基本轻松拿下： 1. env-准备环境 2. source-加载数据 3. transformation-数据处理转换 4. sink-数据输出 5. execute-执行 DataStream API开发 //n…...
[AutoSar]BSW_Diagnostic_007 BootLoader 跳转及APP OR boot response 实现
目录 关键词平台说明背景一、Process Jump to Bootloader二、相关函数和配置2.1 Dcm_GetProgConditions()2.2 Dcm_SetProgConditions() 三、如何实现在APP 还是BOOT 中对10 02服务响应3.1 配置3.2 code 四、报文五、小结 关键词 嵌入式、C语言、autosar、OS、BSW、UDS、diagno…...
)
用 Python 写了一个天天酷跑(附源码)
Hello，大家好，给大家说一下，我要开始装逼了 这期写个天天酷跑玩一下叭！ 制作一个完整的“天天酷跑”游戏涉及很多方面，包括图形渲染、物理引擎、用户输入处理、游戏逻辑等。由于Python是一种高级编程语言，…...
WebGL进阶（九）光线
理论基础： 点光源 符合向量定义，末减初。 平行光 环境光 效果： 点光源 平行光 环境光 源码： 点光源 // 顶点着色器程序let vertexstring attribute vec4 a_position; // 顶点位置属性uniform mat4 u_formMatrix; // 用于变换…...
:Springboot整合全文检索引擎TermInSetQuery应用实例附源码)
Lucene(2):Springboot整合全文检索引擎TermInSetQuery应用实例附源码
前言 本章代码已分享至Gitee: https://gitee.com/lengcz/springbootlucene01 接上文。Lucene(1):Springboot整合全文检索引擎Lucene常规入门附源码 如何在指定范围内查询。从lucene 7 开始，filter 被弃用，导致无法进行调节过滤。 TermInSetQuery 指定…...
 UI性能优化)
HarmonyOS(57) UI性能优化
性能优化是APP开发绕不过的话题，那么在HarmonyOS开发过程中怎么进行性能优化呢？今天就来总结下相关知识点。 UI性能优化 1、避免在组件的生命周期内执行高耗时操作2、合理使用ResourceManager3、优先使用Builder方法代替自定义组件4、参考资料 1、避免在…...
机器学习周志华学习笔记-第5章＜神经网络＞
机器学习周志华学习笔记-第5章<神经网络> 卷王，请看目录 5模型的评估与选择5.1 神经元模型5.2 感知机与多层网络5.3 BP(误逆差)神经网络算法 5.4常见的神经网络5.4.1 RBF网络（Radial Basis Function Network，径向基函数网络࿰…...
SQL进阶技巧：如何进行数字范围统计？| 货场剩余货位的统计查询方法
目录 0 场景描述 1 剩余空位区间和剩余空位编号统计分析 2 查找已用货位区间 3 小结 0 场景描述 这是在做一个大型货场租赁系统时遇到的问题，在计算货场剩余存储空间时，不仅仅需要知道哪些货位是空闲的，还要能够判断出哪些货位之间是连续的。因为在新货物入场时，可…...
XADC IP核)
Xilinx IP核(3)XADC IP核
文章目录 1. XADC介绍2.输入要求3.输出4.XADC IP核使用5.传送门 1. XADC介绍 xadc在 所有的7系列器件上都有支持，通过将高质量模拟模块与可编程逻辑的灵活性相结合，可以为各种应用打造定制的模拟接口，XADC 包括双 12 位、每秒 1 兆样本 (MSP…...
现代大数据架构设计与实践：从数据存储到处理的全面解读
1. 引言 随着信息技术的不断发展，数据已经成为企业和组织最宝贵的资产之一。大数据的应用已经渗透到各个行业，无论是电商、金融，还是医疗、物流，如何有效管理、存储和处理海量的数据已经成为企业成功的关键之一。本文将深入探讨现代大数据架构的设计理念与技术实践，从数据…...
详细教程-Linux上安装单机版的Hadoop
1、上传Hadoop安装包至linux并解压 tar -zxvf hadoop-2.6.0-cdh5.15.2.tar.gz 安装包： 链接：https://pan.baidu.com/s/1u59OLTJctKmm9YVWr_F-Cg 提取码：0pfj 2、配置免密码登录 生成秘钥： ssh-keygen -t rsa -P 将秘钥写入认…...
前端项目支持tailwindcss写样式
安装 npm install -D tailwindcss npx tailwindcss init配置 tailwind.config.js //根据个人需求填写，比如vue简单配置 /** type {import(tailwindcss).Config} */ module.exports {darkMode: "class",corePlugins: {preflight: false},content: [&quo…...
工程师 - 智能家居方案介绍
1. 智能家居硬件方案概述 智能家居硬件方案是实现家庭自动化的重要组件，通过集成各种设备来提升生活的便利性、安全性和效率。这些方案通常结合了物联网技术，为用户提供智能化、自动化的生活体验。硬件方案的选择直接影响到智能家居系统的性能、兼容性、…...
H.264/H.265播放器EasyPlayer.js网页全终端安防视频流媒体播放器关于iOS不能系统全屏
在数字化时代，流媒体播放器已成为信息传播和娱乐消遣的主流载体。随着技术的进步，流媒体播放器的核心技术和发展趋势不断演变，影响着整个行业的发展方向。 EasyPlayer播放器属于一款高效、精炼、稳定且免费的流媒体播放器，可支持…...
)
2.langchain中的prompt模板 (FewShotPromptTemplate)
本教程将介绍如何使用 LangChain 库中的 PromptTemplate 和 FewShotPromptTemplate 来构建和运行提示（prompt），并通过示例数据展示其应用。 安装依赖 首先，确保你已经安装了 langchain 和相关依赖： pip install lan…...
TCP/IP
1、浏览器输入网址后发生了什么 1）应用层：浏览器解析ULR，生成发送给web服务器的请求信息，HTTP请求报文生成，委托给操作系统将消息发送给web服务器，发送之前需要查询服务器域名对应的IP地址（需要…...
详细探索xinput1_3.dll：功能、问题与xinput1_3.dll丢失的解决方案
本文旨在深入探讨xinput1_3.dll这一动态链接库文件。首先介绍其在计算机系统中的功能和作用，特别是在游戏和输入设备交互方面的重要性。然后分析在使用过程中可能出现的诸如文件丢失、版本不兼容等问题，并提出相应的解决方案，包括重新安装相关…...
Spring：AOP切入点表达式
对于AOP中切入点表达式，我们总共会学习三个内容，分别是语法格式、通配符和书写技巧。 语法格式 首先我们先要明确两个概念: 切入点:要进行增强的方法切入点表达式:要进行增强的方法的描述方式 对于切入点的描述，我们其实是有两中方式的&a…...
STM32的中断（什么是外部中断和其他中断以及中断号是什么）
一、什么是EXTI 和NVIC EXTI（External Interrupt/Event Controller）EXTI 是外部中断/事件控制器，它负责处理外部信号变化，并将信号传递给中断控制器（如 NVIC）。主要负责以下功能： 外部事件检测…...
MySQL底层概述—1.InnoDB内存结构
大纲 1.InnoDB引擎架构 2.Buffer Pool 3.Page管理机制之Page页分类 4.Page管理机制之Page页管理 5.Change Buffer 6.Log Buffer 1.InnoDB引擎架构 (1)InnoDB引擎架构图 (2)InnoDB内存结构 (1)InnoDB引擎架构图 下面是InnoDB引擎架构图，主要分为内存结构和磁…...
Linux 下进程基本概念与状态
文章目录 一、进程的定义二、 描述进程-PCBtask_ struct内容分类 三、 进程状态 一、进程的定义 狭义定义：进程是正在运行的程序的实例（an instance of a computer program that is being executed）。广义定义：进程是一个具有一定…...
Go语言链接Redis数据库
1.使用go get命令安装go-redis/v8库： 我这里使用的vscode工具安装： go get github.com/go-redis/redis/v82.创建Redis客户端实例 使用以下Go代码连接到Redis服务器并执行命令： package mainimport ("context""fmt"&q…...