“判断性别”Demo需求分析和初步设计（中）

大家好~我开设了“深度学习基础班”的线上课程，带领同学从0开始学习全连接和卷积神经网络，进行数学推导，并且实现可以运行的Demo程序

线上课程资料：
本节课录像回放
加QQ群，获得ppt等资料，与群主交流讨论：106047770

本系列文章为线上课程的复盘，每上完一节课就会同步发布对应的文章

本文为第二节课：“判断性别”Demo需求分析和初步设计（中）的复盘文章

本课程系列文章可进入索引查看：
深度学习基础课系列文章索引

目录

• 回顾相关课程内容
• 主问题：什么是神经网络
• 主问题：什么是前向传播
  • 任务：用代码实现神经网络

回顾相关课程内容

• 第二节课：“判断性别”Demo需求分析和初步设计（上）
  • 主问题：什么是神经元？
  • 已知一个人的身高为150厘米，体重为50公斤，如何使用神经元得到该人的性别（应该为女性）？
  • 什么是训练？
  • 什么是推理？

主问题：什么是神经网络

• 已知两个人的身高和体重，能否使用神经元得到他们的性别（一男一女）？
  能，因为权重、偏移为未知量，总数量为3，小于方程的数量（2），所有有无数解，所以可确定一组解（权重、偏移）

• 如何修改代码？
  修改train函数：给出一组权重、偏移，使得结果为分别为0、1；
  激活函数不变

• 已知四个人的身高和体重，能否使用神经元得到他们的性别？
  不能

• 为什么？
  因为权重、偏移为未知量，总数量为3，小于方程的数量（4），所以无解

• 如何扩展，才能有解？
  使用神经网络，增加权重、偏移的数量！

• 请设计一个最简单的神经网络？（有几层？每层有几个神经元？）
  

• 如何根据输入层的输入，最终得到输出层的输出？
  计算公式如下所示：
  

• 现在有几个未知解？能够有解了吗？
  有解

主问题：什么是前向传播

• “根据输入层的输入，最终得到输出层的输出？”的过程称为前向传播
• 前向传播算法包括哪些步骤？
  从输入层开始，依次传入每层，得到每层的输出；
  最后传到输出层，得到最后的输出

任务：用代码实现神经网络

• 请修改神经元代码，提出神经元的前向传播forward函数？
  修改后的相关代码为：
  Neural_forward_answer

let forward = (state: state, sampleData: sampleData): float => {  sampleData.height *. state.weight1 +.  sampleData.weight *. state.weight2 +.  state.bias->_activateFunc}let inference = (state: state, sampleData: sampleData): gender => {  forward(state, sampleData)->_convert}

• 请在神经元代码的基础上，实现神经网络的前向传播和推理（训练函数不用实现）？
  • 推理函数需要修改吗？
    不需要
  • 神经网络代码如下所示：
    NeuralNetwork_answer

type state = {  weight13: float,  weight14: float,  weight23: float,  weight24: float,  weight35: float,  weight45: float,  bias3: float,  bias4: float,  bias5: float,}type sampleData = {  weight: float,  height: float,}type gender =  | Male  | Female  | InValidlet createState = (): state => {  weight13: Js.Math.random(),  weight14: Js.Math.random(),  weight23: Js.Math.random(),  weight24: Js.Math.random(),  weight35: Js.Math.random(),  weight45: Js.Math.random(),  bias3: Js.Math.random(),  bias4: Js.Math.random(),  bias5: Js.Math.random(),}// not implementlet train = (state: state, allSampleData: array<sampleData>): state => {  state}let _activateFunc = x => xlet _convert = x =>  switch x {  | 0. => Male  | 1. => Female  | _ => InValid  }let forward = (state: state, sampleData: sampleData): float => {  let y3 = Neural_forward_answer.forward(    (      {        weight1: state.weight13,        weight2: state.weight23,        bias: state.bias3,      }: Neural_forward_answer.state    ),    sampleData->Obj.magic,  )  let y4 = Neural_forward_answer.forward(    (      {        weight1: state.weight14,        weight2: state.weight24,        bias: state.bias4,      }: Neural_forward_answer.state    ),    sampleData->Obj.magic,  )  Neural_forward_answer.forward(    (      {        weight1: state.weight35,        weight2: state.weight45,        bias: state.bias5,      }: Neural_forward_answer.state    ),    (      {        weight: y3,        height: y4,      }: Neural_forward_answer.sampleData    ),  )}let inference = (state: state, sampleData: sampleData): gender => {  Js.log(forward(state, sampleData))  forward(state, sampleData)->_convert}let state = createState()let allSampleData = [  {    weight: 50.,    height: 150.,  },  {    weight: 51.,    height: 149.,  },  {    weight: 60.,    height: 172.,  },  {    weight: 90.,    height: 188.,  },]let state = state->train(allSampleData)allSampleData->Js.Array.forEach(sampleData => {  inference(state, sampleData)->Js.log}, _)