【JAVA】神经网络的基本结构和前向传播算法

news2025/1/7 20:47:50

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，
忍不住分享一下给大家。点击跳转到网站

学习总结

1、掌握 JAVA入门到进阶知识(持续写作中……）
2、学会Oracle数据库入门到入土用法(创作中……）
3、手把手教你开发炫酷的vbs脚本制作(完善中……）
4、牛逼哄哄的 IDEA编程利器技巧(编写中……）
5、面经吐血整理的面试技巧(更新中……）

在这里插入图片描述
markdown

简单的神经网络示例（Java）

在这个示例中，我们将创建一个简单的神经网络，用于理解神经网络的基本结构和前向传播算法。我们将使用Java来实现一个基本的两层神经网络（一个输入层，一个隐藏层，一个输出层）。

1. 准备工作

首先，确保你已经安装了Java开发环境（JDK）。我们将使用标准的Java库来实现这个示例，不需要额外的依赖。

2. 定义神经网络类

我们将定义一个简单的神经网络类，包含输入层、隐藏层和输出层的基本结构。为了简单起见，我们将使用随机初始化权重和偏置，并且使用Sigmoid激活函数。

2.1 定义神经网络类

public class SimpleNeuralNetwork {
private double[][] weightsInputHidden;
private double[] biasHidden;
private double[][] weightsHiddenOutput;
private double biasOutput;

public SimpleNeuralNetwork(int inputSize, int hiddenSize, int outputSize) {
    // 随机初始化权重和偏置
    weightsInputHidden = new double[inputSize][hiddenSize];
    for (int i = 0; i < inputSize; i++) {
        for (int j = 0; j < hiddenSize; j++) {
            weightsInputHidden[i][j] = Math.random();
        }
    }
    biasHidden = new double[hiddenSize];
    for (int i = 0; i < hiddenSize; i++) {
        biasHidden[i] = Math.random();
    }
    
    weightsHiddenOutput = new double[hiddenSize][outputSize];
    for (int i = 0; i < hiddenSize; i++) {
        for (int j = 0; j < outputSize; j++) {
            weightsHiddenOutput[i][j] = Math.random();
        }
    }
    biasOutput = Math.random();
}

// Sigmoid激活函数
private double sigmoid(double x) {
    return 1 / (1 + Math.exp(-x));
}

// 前向传播
public double[] forward(double[] inputs) {
    double[] hiddenLayerOutputs = new double[weightsInputHidden[0].length];
    for (int i = 0; i < hiddenLayerOutputs.length; i++) {
        double sum = biasHidden[i];
        for (int j = 0; j < inputs.length; j++) {
            sum += inputs[j] * weightsInputHidden[j][i];
        }
        hiddenLayerOutputs[i] = sigmoid(sum);
    }

    double[] outputLayerOutputs = new double[weightsHiddenOutput[0].length];
    for (int i = 0; i < outputLayerOutputs.length; i++) {
        double sum = biasOutput;
        for (int j = 0; j < hiddenLayerOutputs.length; j++) {
            sum += hiddenLayerOutputs[j] * weightsHiddenOutput[j][i];
        }
        outputLayerOutputs[i] = sigmoid(sum);
    }

    return outputLayerOutputs;
}

public static void main(String[] args) {
    // 示例：输入层有2个神经元，隐藏层有2个神经元，输出层有1个神经元
    SimpleNeuralNetwork nn = new SimpleNeuralNetwork(2, 2, 1);

    // 示例输入
    double[] input = {0.5, 0.3};

    // 前向传播
    double[] output = nn.forward(input);

    // 输出结果
    System.out.println("Output: " + output[0]);
}