這裡的“用Python”指的就是不用那些現成的神經網絡庫比如Keras、Tensorflow等，否則連9行都不用了。
本文我會解釋這個神經網絡是怎樣煉成的，是以你也可以搭建你自己的神經網絡。也會提供一個加長版、但是也更漂亮的源代碼。
不過首先，什麼是神經網絡？人腦總共有超過千億個神經元細胞，通過神經突觸互相連接配接。如果一個神經元被足夠強的輸入所激活，那麼它也會激活其他神經元，這個過程就叫“思考”。
我們可以在計算機上建立神經網絡，來對這個過程進行模組化，且并不需要模拟分子級的生物複雜性，隻要觀其大略即可。為了簡化起見，我們隻模拟一個神經元，含有三個輸入和一個輸出。
我們将訓練這個神經元來解決下面這個問題，前四個樣本叫作“訓練集”，你能求解出模式嗎？?處應該是0還是1呢？
或許已經發現了，輸出總是與第一列的輸入相等，是以?應該是1。
訓練過程
問題雖然很簡單，但是如何教會神經元來正确的回答這個問題呢？我們要給每個輸入賦予一個權重，權重可能為正也可能為負。權重的絕對值，代表了輸入對輸出的決定權。在開始之前，我們先把權重設為随機數，再開始訓練過程：
從訓練集樣本讀取輸入，根據權重進行調整，再代入某個特殊的方程計算神經元的輸出。
計算誤差，也就是神經元的實際輸出和訓練樣本的期望輸出之差。
根據誤差的方向，微調權重。
重複10000次。
最終神經元的權重會達到訓練集的最優值。如果我們讓神經元去思考一個新的形勢，遵循相同過程，應該會得到一個不錯的預測。
計算神經元輸出的方程
你可能會好奇，計算神經元輸出的人“特殊方程”是什麼？首先我們取神經元輸入的權重總和：
為什麼是這個方程？首先我們希望調整量與誤差量成正比，然後再乘以輸入(0-1)。如果輸入為0，那麼權重就不會被調整。最後乘以Sigmoid曲線的梯度，為便于了解，請考慮：
我們使用Sigmoid曲線計算神經元輸出。
如果輸出絕對值很大，這就表示該神經元是很确定的（有正反兩種可能）。
Sigmoid曲線在絕對值較大處的梯度較小。
如果神經元确信目前權重值是正确的，那麼就不需要太大調整。乘以Sigmoid曲線的梯度可以實作。
實際上也有其他讓神經元學習更快的方程，這裡主要是取其相對簡單的優勢。
建構Python代碼
盡管我們不直接用神經網絡庫，但還是要從Python數學庫Numpy中導入4種方法：
exp： 自然對常數
array： 建立矩陣
dot：矩陣乘法
random： 随機數
比如我們用array()方法代表訓練集：
.T函數就是矩陣轉置。我想現在可以來看看美化版的源代碼了，最後我還會提出自己的終極思考。源代碼中已經添加了注釋逐行解釋。注意每次疊代我們都一并處理了整個訓練集，以下為完整的Python示例：
終極思考
（Kaiser：原文講的是将代碼寫入本地main.py檔案，再在終端中運作python main.py，這裡隻需點選運作即可。）
我們用Python打造了一個簡單的神經網絡。
首先神經網絡給自己賦予随機的權重值，然後用訓練集訓練自己，最後去思考新的形勢[1 0 0]并預測了0.99993704，這與正确答案非常接近。
傳統的計算機程式無法學習，神經網絡的最大魅力就在于學習能力，可以自主适應新形勢，就像人的心智一樣。當然，僅僅一個神經元隻能完成特别簡單的任務，但如果我們把上百萬個如此的神經元連接配接起來呢？能否有朝一日制造出具有自我意識的東西？
原文釋出時間為：2018-07-09
本文來自雲栖社群合作夥伴“
大資料挖掘DT機器學習”，了解相關資訊可以關注“
”