我开始写ai啦2333

[dilongzuyj]

话说有没有人教我逐层运算的算法（js），我不会啊ε=ε=ε=ε=ε=ε=┌(;￣◇￣)┘

单个神经元训练的结果很不好，100000次(-595,595)训练正确率%50

[dilongzuyj]

@寂然如故 还有，我的网络格式不和你这个一样

[dilongzuyj]

@寂然如故 还有，包括inputLayer与outputLayer

[dilongzuyj]

@寂然如故 偏置bias只有一个

[寂然如故]

function layerByLayerAlgorithm(X, Y, hiddenLayers, iterations, learningRate) {
// 初始化权重和偏置
const weights = [];
const biases = [];
for (let i = 0; i < hiddenLayers.length; i++) {
weights.push(Math.random() * 2 - 1);
biases.push(Math.random() * 2 - 1);
}

for (let i = 0; i < iterations; i++) {
// 前向传播
const A = X;
const Z = [];
for (let j = 0; j < hiddenLayers.length; j++) {
const activation = sigmoid(A.dot(weights[j]) + biases[j]);
Z.push(activation);
A = activation;
}
const output = sigmoid(Z[Z.length - 1].dot(weights[weights.length - 1]) + biases[biases.length - 1]);

// 反向传播
const errors = [];
for (let j = 0; j < Y.length; j++) {
  errors.push(Y[j] - output[j]);
}
const deltas = [];
for (let j = Z.length - 1; j >= 0; j--) {
  const delta = errors.map((error, k) => error * sigmoidDerivative(Z[j][k]));
  deltas.unshift(delta);
  if (j > 0) {
    const activation = Z[j - 1];
    delta = delta.map((d, k) => d * activation[k]);
    errors = delta;
  }
}

// 更新权重和偏置
for (let j = 0; j < hiddenLayers.length; j++) {
  weights[j] += learningRate * Z[j].transpose().dot(deltas[j]);
  biases[j] += learningRate * deltas[j];
}
weights[weights.length - 1] += learningRate * output.transpose().dot(errors);
biases[biases.length - 1] += learningRate * errors;

}

return weights, biases;
}

function sigmoid(x) {
return 1 / (1 + Math.exp(-x));
}

function sigmoidDerivative(x) {
return x * (1 - x);
} 试试这个

[dilongzuyj]

筛选出来了强化学习

[dilongzuyj]

@weixin_41871293 广告*1

[weixin_41871293]

AI学习之旅：从神经网络基础到实践

欢迎来到AI的世界！如果你像许多人一样，对AI充满好奇并希望深入了解其原理和实践，那么你来对地方了。AI领域广泛且深入，但通过系统的学习和实践，你将能够掌握其核心概念和技术。

神经网络基础

神经网络是AI的核心组成部分，模拟人脑神经元的工作方式。它由输入层、隐藏层和输出层组成，每层包含多个节点（或称为“神经元”）。神经元之间通过权重连接，权重决定了信号从一个神经元传递到另一个神经元的强度。

前向传播与反向传播

前向传播是指输入数据通过神经网络的各层，最终生成输出的过程。反向传播则是根据输出误差调整权重的过程，以优化网络性能。

推荐书籍

《深度学习》（作者：Ian Goodfellow、Yoshua Bengio、Aaron Courville）

特点：被誉为深度学习领域的圣经，详细介绍了深度学习的理论和实践，包括神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等。

优点：内容全面，适合深入学习。

缺点：难度较高，需要一定的数学基础。

《Python深度学习》（作者：François Chollet）

特点：使用Keras框架，通过Python语言介绍深度学习的应用。

优点：实战性强，适合希望通过实践学习深度学习的读者。

缺点：对理论讲解相对较少。

《动手学深度学习》（作者：李飞飞、李沐、Aston Zhang等）

特点：采用Jupyter Notebook形式，提供交互式学习体验。

优点：易于上手，适合初学者。

缺点：内容相对浅显，不适合深入研究。

《人工智能：一种现代方法》（作者：Stuart Russell、Peter Norvig）

特点：全面介绍人工智能的基本原理和方法，包括搜索算法、知识表示、推理、规划等。

优点：内容广泛，适合了解AI全貌的读者。

缺点：深度不够，对特定领域的讲解有限。

结语

AI领域广阔且充满挑战，但通过不断学习和实践，你将能够掌握其精髓。上述书籍各有侧重，你可以根据自己的需求和兴趣选择合适的书籍开始你的AI之旅。

推荐书籍	图书特点
《深度学习》	作者：Ian Goodfellow、Yoshua Bengio、Aaron Courville，内容全面，适合深入学习
《Python深度学习》	作者：François Chollet，使用Keras框架，实战性强
《动手学深度学习》	作者：李飞飞、李沐、Aston Zhang等，交互式学习体验，易于上手
《人工智能：一种现代方法》	作者：Stuart Russell、Peter Norvig，内容广泛，适合了解AI全貌

已隐藏部分内容，更多查看原文

[gis收藏家]

共同努力！