作者： 蒋智昊

import numpy as np

r = 2

c = 2

#在默认的情况下，zeros创建的数组元素类型是浮点型的，如果要使用其他类型，可以设置dtype参数进行声明。

X = np.zeros((3,3))

#X = np.zeros((3,3),dtype=int)

X[0, 1:] = 77

X[1:, 0] = 99

print(X)

for i in range(r):

#print(“i=” + str(i))

for j in ran

神经网络中的每个节点接受输入值，并将输入值传递给下一层，输入节点会将输入属性值直接传递给下一层（隐藏层或输出层）。在神经网络中，隐层和输出层节点的输入和输出之间具有函数关系，这个函数称为激励函数（激活函数）。

1、Sigmoid函数

%matplotlib inline

import numpy as np

import matplotlib.pylab as plt

def sigmoid_function(x):

return 1/(1 + np.exp(-x))

$\mu$为所有样本数据的均值。 σ为所有样本数据的标准差。

import numpy as np

#min-max 标准化

def normalize(x):

x_max = np.max(x)

x_min = np.min(x)

return (x – x_min) / (x_max

– x_min)

#z-score 标准化

def standardize(x):

ave = np.average(x)

std = np.std(x)

return

Min-Max normalization也称离差标准化法，是消除变量量纲和变异范围影响最简单的方法。对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下:

import numpy as np

def normalize(x):

x_max = np.max(x)

x_min = np.min(x)

return (x – x_min) / (x_max

– x_min)

x = [14,6,7]

y = normalize(x)

print(

我们更经常会用到的np.random.randn(size)所谓标准正态分布（μ=0,σ=1），对应于numpy.random.normal(loc=0.0, scale=1.0, size=None)

loc：float 此概率分布的均值（对应着整个分布的中心centre）。

scale：float 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）。

size：int or tuple of ints 输出的shape，默认为None，只输

sigmoid函数也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。

import numpy as np

import matplotlib.pylab as plt

def sigmoid_function(x):

return 1/(1 + np.exp(-x))

x = np.linspace(-5, 5)

y = sigmoid_function(x)

plt.plot(

sympy.limit()

表达式：要对其执行极限运算的数学表达式，即 f(x)。

变量：数学表达式中的变量，即 x。

值：极限趋于的值，即 3。

import sympy

import numpy as np

x = sympy.Symbol(“x”)

f = 5*x + 2

sympy.limit(f, x, 3)

微积分的英语 “Calculus” 源自拉丁语，意思是 “小石头”，因为它是从分析小的部分来了解大的整体。

微分是把整体分拆为小部分来求它怎样改变。

积分是把小部分连接（积）在一起来求整体有多大。

1、导数是指 函数图像在某一点处的斜率，是纵坐标增量Δy和横坐标增量Δx在Δx>0时的比值。

2、微分是指 函数图像在某一点处的切线在横坐标取得增量Δx以后，纵坐标取得的增量，一般表示为dy。

3、积分是微分的逆运算，即知道了函数的导函数，反求原函数。

用SymPy库进行

这三种函数都是对数函数，对数函数的基本表示形式是：。式中a为对数的底数，y叫做真数。

如果a的x次方等于y（a>0，且a不等于1），那么数x叫做以a为底y的对数。

如果对数的底数为10，那么对数函数就可以写成“lg”，这种对数算法叫做“常用对数”。

如果对数的底数为e（自然常数），那么对数函数就可以写成“ln”，这种对数算法叫做“自然对数”。