人工智能神经网络练习：2-2-1与3-1-1结构示例

本资源是一份针对人工智能与机器学习初学者的练习文档，主要涉及神经网络和反向传播算法的应用。首先，文档指导读者构建一个简单的2-2-1神经网络结构，该网络包括输入层、一个隐藏层和一个输出层。网络中涉及到的参数有输入层到隐藏层的权重（如 111 w, 112 w, 等）、输入层到隐藏层的偏置（如11 b, 12 b）、隐藏层的输出以及隐藏层到输出层的权重和偏置。参与者被要求调整权重和偏置，以根据给定的条件在二维坐标系上生成两种不同的图形：一种是当输出大于0时，对应点为黑色，另一种是白色。这实际操作中展示了神经网络如何通过权重变化来映射输入数据。 接下来，文档转向了另一个练习，即构建一个3-1-1的网络，它包含三个输入节点（1 x, 2 x, 和 3 x），一个隐藏层和一个输出层。在这个网络中，需要设置输入层到隐藏层的权重（如11 w, 12 w, 13 w）、输入偏置（1 b）、隐藏层的输出（h）以及隐藏层到输出层的权重（2 1 w）和偏置（2 b）。此外，由于题目提及"加入激活函数后"，这表明在实践中，学生还需要熟悉如何处理激活函数，如sigmoid或ReLU，这些函数在神经网络中用于非线性转换和增加模型的表达能力。 这两个练习旨在帮助学习者理解神经网络的基本结构、权重的作用以及反向传播算法的运用，因为通过调整权重并观察结果，学生可以直观地看到网络如何学习和预测输出。通过实践，他们将掌握如何调整网络参数以达到特定的目标，并能够应用到实际问题中。同时，这些练习也强调了深度学习中的关键概念，如前向传播和梯度更新，这些都是深度学习训练的基础。