web前端，一起来学习神经网络。

最近在学习机器学习，想着边学习边分享的意思写了这篇文章，神经网络的介绍以及教程网络上已经有很多了，所以我这里也不去介绍了，今天我们手写一个神经元。

1、神经元是什么?

我这边从百科复制来了一段。

“人工神经网络通常呈现为相互连接的“神经元”，它可以从输入的计算值，并且能够机器学习以及模式识别由于它们的自适应性质的系统。”

可以看出神经网络是由若干个神经元组成的，而神经元的作用就是将输入转换成我们想要的输出。
我们简单的画个示意图（如下图）

web前端，一起来学习神经网络。

图中可以看出小圆圈是我们的神经元，i0,i1是我们的输入，output是我们的输出，然后我们再加上权重（如下图）。 web前端，一起来学习神经网络。

权重是什么？这边举个例子。

小花，小红，小强经常去看电影，每次小花去了小强肯定去，因为小强喜欢小花，但有一天小强喜欢上了小红，小红去了小强才会去。

这就是不确定因素，每一个输入都会有一个权重，权重就是不断变化的值，我们不断地改变权重，让我们的结果预测的更好。

最后我们再加上偏置,每个神经元都有一个偏置（与线性方程 y=wx+b 中的 b 的意义是一致的，控制着函数偏离原点的距离），可以更好的拟合数据。（如下图）

web前端，一起来学习神经网络。

最后用线性回归公式计算我们的输出 output = i0 * w0 + i1 * w1 + bias，最后计算出来的结果可能很很大或者很小，这不是我们想要的结果，我们可以运用激活函数sigmoid，Sigmoid函数常被用作神经网络的激活函数，可以将变量映射到0,1之间。（如下图）

web前端，一起来学习神经网络。

2.用代码来实现一下。

1.先定义下数据左边是我们的输入，右边是我们的答案。可以看出这是个或运算,只要有一个是1答案就为1

const datas = [
    [[1, 1], 1],
    [[1, 0], 1],
    [[0, 0], 0],
    [[0, 1], 1],
];

输入有了，我们还需要权重和偏置,我们先初始化三个值，分别是两个权重跟一个偏置。

const random = []
for (i = 0; i < 3; i++) {
    random.push(Math.random());
}

然后计算输出,我们之前说过了线性回归公式 output = i0 * w0 + i1 * w1 + bias

//计算输出
function output(datas) {
    return output = datas[0] * random[0] + datas[1] * random[1] + random[2]
}

用Sigmoid函数将结果映射到0,1之间

//计算输出
function output(datas) {
    let outputs = datas[0] * random[0] + datas[1] * random[1] + random[2]
    return sigmoid(outputs)
}

//用Sigmoid将结果映射到0,1之间
function sigmoid(x) {
    return 1 / (1 + Math.pow(Math.E, -x))
}

这样一个简单的神经元就写好了，但预测的结果肯定不对的，我们还得训练它！(重要的就在这！！！)
首先我们先写一个函数，来计算每次预测与答案的误差。

//计算我们的预测与答案的误差
function errorValue(output, result) {
    return Math.abs(output - result)
}

然后我们定义我们的训练函数,有了误差，我就可以根据误差来调整权重的值为止。

function train(inputs, result) {
    const devW = 0.001 //权重每次偏移多少
    let error = errorValue(output(inputs), result),记录下此次的误差
    	dRandom = [], //上一次的权重
    	dError = null; //上一次的误差值
        
    random.forEach((val, idx) => {
        // 更改权重
        random[idx] += devW
        // 再次计算误差
        dError = errorValue(output(inputs), result)
        // 上一次误差减去这一次误差，看看我们的误差大了还是小了。
        dRandom[idx] = (dError - error) / devW
        //ps:有了两次的误差，我们可以知道，初始的权重与偏置，离目标值差多少。
        //还原初始值
        random[idx] = val
    })
    
    random.forEach((val, idx) => {
        //减去误差值
        random[idx] -= dRandom[idx]
    })
}

这样就完成了，我们调试一下，先增加个死循环，如果错误率小于0.001，我们就跳出循环，并输出我们的权重跟偏置。

let a = 0, //计数
    isBreak = false;//是否跳出循环
function train(inputs, result) {
    const devW = 0.001 //权重每次偏移多少
    let error = errorValue(output(inputs), result),// 记录下此次的误差
        dRandom = [], //上一次的权重
        dError = null; //上一次的误差值

    random.forEach((val, idx) => {
        // 更改权重
        random[idx] += devW
        // 再次计算误差
        dError = errorValue(output(inputs), result)
        // 上一次误差减去这一次误差，看看我们的误差大了还是小了。
        dRandom[idx] = (dError - error) / devW
        //ps:有了两次的误差，我们可以知道，初始的权重与偏置，离目标值差多少。
        //还原初始值
        random[idx] = val
    })

    random.forEach((val, idx) => {
        //减去误差值
        random[idx] -= dRandom[idx]
    })

    a++
    // 每五万次输入一下
    if (a % 50000 == 0) {
        console.log(`运行:${a/50000}万次,错误率${error},预测答案${output(inputs)}`)
        if (error < 0.001) {
            isBreak = true
            // 出我们的权重跟偏置
            console.log(random)
        }
    }
}

for (i = 0; ; i++) {
    datas.forEach(data => {
        train(data[0], data[1])
    })
    if (isBreak) break
}

我们来看下运行结果

web前端，一起来学习神经网络。

把我们的公式拿过来计算下。utput = i0 * w0 + i1 * w1 + bias
假如输入1 1
1x16+1x16-7=25 然后用sigmoid函数计算一下
web前端，一起来学习神经网络。
假如输入0 0
0x16+0x16-7=-7后用sigmoid函数计算一下

假如输入0 1
0x16+1x16-7=9后用sigmoid函数计算一下

可以看出答案都是比较理想的