🎼个人主页：【Y小夜】
😎作者简介：一位双非学校的大二学生，编程爱好者，
专注于基础和实战分享，欢迎私信咨询！
🎆入门专栏：🎇【MySQL，Java基础，Rust】
🎈热门专栏：🎊【Python，Javaweb，Vue框架】
感谢您的点赞、关注、评论、收藏、是对我最大的认可和支持！❤️
学习推荐：
人工智能是一个涉及数学、计算机科学、数据科学、机器学习、神经网络等多个领域的交叉学科，其学习曲线相对陡峭，对初学者来说可能会有一定的挑战性。幸运的是，随着互联网教育资源的丰富，现在有大量优秀的在线平台和网站提供了丰富的人工智能学习材料，包括视频教程、互动课程、实战项目等，这些资源无疑为学习者打开了一扇通往人工智能世界的大门。
前些天发现了一个巨牛的人工智能学习网站：前言 – 人工智能教程通俗易懂，风趣幽默，忍不住分享一下给大家。
目录
🎯本文概述
🎯认识relu和tanh激活函数
💻可视化出relu和tanh函数，记住这两个函数的输出值范围
🎈代码解析
🎈运行结果
🎯掌握神经网络中的参数调节
💻创建多层感知机分类器模型
🎈代码解析
💻模型参数调节
🎈分别调整隐藏层节点数和层数并进行可视化，观察模型的变化，并输出模型评分
🎈调整激活函数为tanh函数并进行可视化，观察模型变化，并输出模型评分
🎈调整模型复杂度 调整alpha参数的值并进行可视化，观察模型变化，并输出模型评分
🎯本文概述
(一)理解神经网络算法的基本原理
(二)能够使用sklearn库进行神经网络模型的训练和预测
(三)理解激活函数的作用
(四)理解并学会调整hidden_layer_sizes、alpha、activation等参数
🎯认识relu和tanh激活函数
💻可视化出relu和tanh函数，记住这两个函数的输出值范围
🎈代码解析
import numpy as np
import matplotlib .pyplot as plt
line=np.linspace(-2,2,100)
plt.plot(line,np.maximum(line,0),label='relu',linestyle="-.")
plt.plot(line,np.tanh(line),label='tanh',linestyle="--")
plt.legend(loc='best')
plt.xlabel('x')
plt.ylabel('tanh(x) and relu(x)')
plt.show()这段代码使用numpy和matplotlib库绘制了ReLU和tanh函数的图像。首先生成了一个从-2到2的等差数列line，然后分别计算了ReLU和tanh函数在line上的值，并使用plt.plot()函数将它们绘制在同一张图上。最后添加了图例、坐标轴标签和标题，并使用plt.show()函数显示图像。
🎈运行结果
🎯掌握神经网络中的参数调节
💻创建多层感知机分类器模型
利用skearn载入鸢尾花数据集，并进行训练集和测试集的划分，创建一个多层感知机MLPClassifier分类器，查看并了解该模型的各个参数，尤其是hidden_layer_sizes、alpha、activation、solver参数的作用。并对该模型进行可视化。
🎈代码解析
from sklearn.neural_network import MLPClassifier
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris=load_iris()
x=iris.data[:,:2]
y=iris.target
x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=42)
mlp=MLPClassifier(solver='lbfgs')
mlp.fit(x_train,y_train)这段代码使用sklearn库中的MLPClassifier类实现了一个多层感知机分类器，用于对鸢尾花数据集进行分类。首先导入了MLPClassifier、pandas和load_iris等模块，然后加载了鸢尾花数据集，并从中提取出前两个特征作为输入x和目标y。接着将数据集划分为训练集和测试集，并创建了一个MLPClassifier对象mlp，指定了求解器为'lbfgs'。最后使用fit()方法对训练集进行拟合。
#导入画图工具
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
#以下绘图代码不要求读者掌握，暂不详细注释
cmap_light =ListedColormap(['#FFAFAA','#AAFFDA', '#FAAAFF'])
cmap_bold =ListedColormap(['#FF0OAA','#00FFOF', '#OFAOFF'])
x_min,x_max =x_train[:,0].min()-1,x_train[:,0].max()+1
y_min,y_max =x_train[:,1].min()-1,x_train[:,1].max()+1
xx,yy =np.meshgrid(np.arange(x_min,x_max,.02),
np.arange(y_min,y_max, .02))
Z=mlp.predict(np.c_[xx.ravel(),yy.ravel()])
Z =Z.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z,cmap=cmap_light)
#将数据特征用散点图表示出来
plt.scatter(x[:, 0],x[:,1], c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title("MLPClassifier:solver=lbfgs")
#显示图形
plt.show()这段代码是用于绘制一个多层感知机（MLP）分类器的决策边界。首先导入了绘图所需的库，然后定义了两种颜色映射。接着计算数据的最小值和最大值，生成网格点，并使用MLP分类器对网格点进行预测。最后，使用散点图表示数据特征，并显示图形。
🎈运行结果
💻模型参数调节
🎈分别调整隐藏层节点数和层数并进行可视化，观察模型的变化，并输出模型评分
#隐藏层节点数为20个
mlp_20=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20])
mlp_20.fit(x_train,y_train)
Z1=mlp_20.predict(np.c_[xx.ravel(),yy.ravel()])
Z1=Z1.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z1,cmap=cmap_light)
#使用散点图画出x
plt.scatter(x[:,0],x[:,1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设置图题
plt.title("MLPClassifier:nodes=10")
#显示图形
plt.show()
print('MLPClassifier:nodes=20 得分： {:.2f}8'.format(mlp_20.score(x_train,y_train)*100))
#两层，隐藏层节点数为20个
mlp_2L=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20,20])
mlp_2L.fit(x_train,y_train)
Z1=mlp_2L.predict(np.c_[xx.ravel(),yy.ravel()])
Z1 =Z1.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z1,cmap=cmap_light)
#用散点图画出x
plt.scatter(x[:,0],x[:,1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title("MLPClassifier:2layers")
#显示图形
plt.show()
print('MLPClassifier:2layers 得分： {:.2f}%'.format(mlp_2L.score(x_train,y_train)*100))
🎈调整激活函数为tanh函数并进行可视化，观察模型变化，并输出模型评分
#设置激活函数为tanh
mlp_tanh=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20,20], activation= 'tanh')
mlp_tanh.fit(x_train,y_train)
#重新画图
Z2=mlp_tanh.predict(np.c_[xx.ravel(),yy.ravel()])
Z2 =Z2.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z2,cmap=cmap_light)
#散点图画出x
plt.scatter(x[:, 0],x[:,1],c=y,edgecolor='k', s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设置图题
plt.title("MLPClassifier:2layers with tanh")
#显示图形
plt.show()
print('MLPClassifier:2layers with tanh得分:{:.2f}%'.format(mlp_tanh.score(x_train,y_train)*100))
🎈调整模型复杂度 调整alpha参数的值并进行可视化，观察模型变化，并输出模型评分
#修改模型的alpha 参数
mlp_alpha=MLPClassifier(solver='lbfgs',hidden_layer_sizes=[20,20], activation='tanh',alpha=1)
mlp_alpha.fit(x_train,y_train)
#重新绘制图形
Z3=mlp_alpha.predict(np.c_[xx.ravel(),yy.ravel()])
Z3=Z3.reshape(xx.shape)
plt.figure()
plt.pcolormesh(xx,yy,Z3,cmap=cmap_light)
#散点图画出x
plt.scatter(x[:,0],x[:,1],c=y,edgecolor='k',s=60)
plt.xlim(xx.min(),xx.max())
plt.ylim(yy.min(),yy.max())
#设定图题
plt.title("MLPClassifier:alpha=1")
#显示图形
plt.show()
print('MLPClassifier:alpha=1 得分：{:.2f}%'.format(mlp_alpha.score(x_train,y_train)*100))
