下载文档原格式
人工智能技术中的神经网络算法介绍随着科技的不断发展，人工智能技术逐渐成为我们生活中不可或缺的一部分。
而在人工智能技术中，神经网络算法起到了至关重要的作用。
本文将介绍神经网络算法的基本概念、原理和应用。
一、神经网络算法的基本概念神经网络算法是一种模仿人脑神经元网络结构和工作方式的计算模型。
它由大量的人工神经元组成，每个神经元都有输入和输出，并通过调整神经元之间的连接权重来实现学习和决策。
神经网络算法可以分为前馈神经网络和反馈神经网络两种类型。
前馈神经网络是最常见的一种神经网络算法。
它的神经元之间的连接是单向的，信息只能从输入层经过隐藏层传递到输出层。
前馈神经网络通常用于分类、识别和预测等任务。
反馈神经网络是一种具有循环连接的神经网络算法。
它的神经元之间的连接可以形成环路，信息可以在网络中回流。
反馈神经网络通常用于时间序列预测、控制系统和模式识别等任务。
二、神经网络算法的原理神经网络算法的原理基于神经元之间的连接权重和激活函数。
每个神经元都有一个激活函数，用于将输入信号转换为输出信号。
常见的激活函数有sigmoid函数、ReLU函数和tanh函数等。
神经网络算法通过调整神经元之间的连接权重来实现学习和决策。
学习过程中，神经网络会根据输入数据的特征和输出结果的误差来更新连接权重，以提高网络的预测准确性。
这一过程通常使用反向传播算法来实现。
反向传播算法是一种基于梯度下降的优化算法。
它通过计算网络输出和真实输出之间的误差，并将误差反向传播到网络的每个神经元，从而调整连接权重。
通过多次迭代更新连接权重，神经网络可以逐渐提高预测准确性。
三、神经网络算法的应用神经网络算法在各个领域都有广泛的应用。
在计算机视觉领域，神经网络算法可以用于图像分类、目标检测和人脸识别等任务。
在自然语言处理领域，神经网络算法可以用于语义分析、情感分析和机器翻译等任务。
此外，神经网络算法还可以应用于金融风险评估、医学诊断和智能交通系统等领域。
人工神经网络的算法和应用人工神经网络是一种由多个节点和连接组成的计算模型，其灵感来自于生物神经网络。
与传统的机器学习模型相比，人工神经网络可以处理更加复杂的任务，并且能够进行自适应性的学习，从而实现高效的模式识别和数据分析。
在本文中，我们将探讨人工神经网络的算法和应用。
一、算法1.感知机算法感知机算法是最早的人工神经网络算法之一，它基于一种称为感知机的计算单元。
感知机可以被看作是多个独立的逻辑门，通过输入和输出之间的权重调整来实现逻辑运算。
感知机算法的缺点在于它只适用于线性可分问题。
如果数据不能被线性分割，那么感知机就无法解决这个问题。
因此，感知机主要用于二元分类和线性回归问题。
2.反向传播算法反向传播算法是一种基于梯度下降的优化算法。
它通过不断调整权重和偏置，使神经网络的预测结果更加接近于实际值。
反向传播算法的优点在于它可以处理非线性可分问题，并且具有更好的精度和收敛速度。
然而，反向传播算法也有一些缺点，例如容易收敛到局部最优解、容易受到梯度消失和爆炸等问题的影响。
3.长短时记忆（LSTM）算法LSTM算法是一种专门用于处理序列数据的神经网络算法。
它通过引入“门”机制来控制信息的流动，并且能够长时间记忆先前的信息。
LSTM算法在自然语言处理、语音识别、股价预测等领域得到了广泛应用。
二、应用1.图像识别图像识别是人工神经网络的一个重要应用领域。
通过训练神经网络模型，图像识别系统可以实现对于图片中物体和场景的识别和分类。
在医疗诊断、自动驾驶、安防等领域，图像识别技术已经得到了广泛应用。
2.自然语言处理自然语言处理是另一个重要的应用领域。
通过训练神经网络模型，自然语言处理系统可以实现对于自然语言的理解和生成。
自然语言处理技术在智能客服、智能翻译、信息提取、情感分析等方面得到了广泛应用。
3.股价预测股价预测是人工神经网络在金融领域的应用之一。
通过训练神经网络模型，股价预测系统可以实现对于股票价格的预测。
如何使用人工神经网络算法进行预测人工神经网络算法是一种模拟人脑神经网络功能的数学模型，它可以用于处理非线性系统、进行分类和预测等多种任务。
在预测方面，人工神经网络算法已经被广泛应用于股票市场、气象预报、交通流量等领域。
本文将从设计神经网络、收集数据、训练模型和预测结果等几个方面介绍如何使用人工神经网络算法进行预测。
一、设计神经网络设计一个合适的神经网络结构是进行预测的关键。
常见的神经网络结构包括前馈神经网络、反馈神经网络和卷积神经网络等。
其中，前馈神经网络最为常见，也是最简单的一种神经网络。
它的结构类似于一个多层感知机，由输入层、隐层和输出层构成。
隐层的数量和每层的神经元数量需要根据具体任务来确定。
除此之外，还需要选择合适的激活函数、损失函数和优化算法。
激活函数用于计算神经元的输出值，损失函数用于衡量预测结果与真实结果的差距，优化算法用于更新神经网络中的权重和偏置。
二、收集数据在进行预测前，需要收集和整理相关的数据。
数据可以来源于公开的数据集，也可以通过爬虫程序从网站等来源中获取。
在收集数据时，需要注意数据的质量和完整性。
如果数据中存在缺失值、异常值或者噪声数据，需要进行数据清洗和处理，保证数据的准确性和可靠性。
三、训练模型在数据收集完毕后，需要将数据分为训练集和测试集。
通常情况下，将数据集的70%作为训练集，30%作为测试集。
训练集用于训练神经网络模型，测试集用于测试模型的预测效果。
在训练模型时，需要选择合适的超参数。
超参数包括学习率、批次大小、迭代次数等。
不同的超参数对模型的预测效果有较大的影响，需要通过交叉验证等方法进行优化。
四、预测结果在训练完神经网络模型后，可以使用该模型进行预测。
对于时间序列预测或者连续数值预测等场景，需要使用递归预测的方法。
具体来说，就是将预测结果作为下一个时间步的输入进行预测，直到预测预期的时间步数。
需要注意的是，预测结果只是一种可能的情况，而不是一定的结果。
在实际预测中，需要结合主观判断和其他因素考虑预测结果的可靠性和可行性。
ann算法人工神经网络（Artificial Neural Network，ANN），也简称神经网络，是众多机器学习算法中比较接近生物神经网络特性的数学模型。
人工神经网络通过模拟生物神经网络（大脑）的结构和功能，由大量的节点（或称“神经元”，或“单元”）和之间相互联接构成，可以用来对数据之间的复杂关系进行建模。
一、每层由单元（unit）组成二、输入层由训练集的实例特征向量传入三、每个结点都有权重（weight）传入下一层，一层的输出是下一层的输入。
（根据生物学上的定义，每个单元成为神经结点）四、以上成为两层神经网络（输入层不算）五、每一层的加权求和，到下一层结点上还需要非线性函数激活，之后作为输出六、作为多层前馈神经网络，如果由足够多的隐藏层，和足够大的训练集，理论上可以模拟出任何方程。
反向传输算法核心（backpropagation）特点：1、通过迭代来处理训练集中的实例2、计算输入层预测值（predicted value）和真实值（target value）之间的差值error3、反向传输（输出层->隐藏层->输入层）来最小化误差（error）来更新每个链接的权重（weight）显然，对于神经网络而言，最重要的是能恰当配置好隐藏层和输出层神经元的权值和偏置。
幸好的是，这个配置是由机器来做，而不是人类。
使用神经网络的步骤一般为：建立模型，按照业务场景建立网络结构，多少个输入神经元和输出神经元，多少层隐含层，层与层之间是全连接，还是部分连接等等。
训练模型，对于已经标记好的大量数据，将它们扔到神经网络中，神经网络通过预测输出与实际输出的差值来自动调整隐藏层和输出层神经元权值和偏置。
数据预测，对于新的数据，将他们直接扔到输入层，得到的输出就是预测输出。
机器学习的主要用途为分类，聚类，回归，关联规则等等。
现有的机器学习方法有SVM，logistic回归，决策树，随机森林等方法。
但是，在需要高精度，难以提取特征的无结构化数据机器学习中，深度学习几乎是唯一的选择。
人工智能算法在股票预测中的使用教程人工智能（Artificial Intelligence, AI）算法在股票预测中的应用正变得越来越普遍。
其基于大数据分析和机器学习技术，能够利用历史数据进行股票价格的预测和趋势分析，为投资者提供辅助决策的参考依据。
本文将介绍几种常见的人工智能算法，以及如何使用这些算法进行股票预测。
一、人工神经网络算法（Artificial Neural Network, ANN）人工神经网络算法是一种仿生的模式识别算法，模拟人脑的神经网络结构和学习过程。
它通过输入历史数据，通过训练和调整参数，建立一个具有预测功能的模型。
在股票价格预测中，人工神经网络算法能够学习历史价格的变化趋势和因素，通过模式识别进行预测。
使用人工神经网络算法进行股票预测的步骤如下：1. 整理数据：首先，需要收集和整理历史股票价格数据，包括开盘价、收盘价、最高价、最低价以及交易量等信息。
2. 划分训练集和测试集：将数据集划分为训练集和测试集，通常将大部分数据用于训练，少部分数据用于测试。
3. 构建模型：使用人工神经网络算法构建模型。
选择合适的网络结构、激活函数和学习算法。
数据的输入层是历史价格的特征，输出层是预测结果。
4. 训练模型：将训练集数据输入到模型中进行训练，通过调整参数来优化模型的预测能力。
可以使用梯度下降等方法进行模型的优化。
5. 测试预测：使用测试集的数据进行预测，并与实际价格进行比较，评估模型的预测准确性。
可以使用均方根误差（Root Mean Square Error, RMSE）等指标进行评估。
二、长、短期记忆网络算法（Long Short-Term Memory, LSTM）长、短期记忆网络算法是一种可以处理长期依赖关系的人工神经网络，能够更好地捕捉股票价格的时序特征。
相比传统的人工神经网络算法，LSTM网络能够记忆长时间的信息，并根据这些信息进行预测。
LSTM算法在股票预测中的应用步骤如下：1. 数据预处理：与人工神经网络算法类似，首先需要整理和划分数据集。
人工神经网络算法人工神经网络（Artificial Neural Network，ANN）是一种模拟人脑神经网络进行计算的算法。
它由多个神经元（或称为节点）组成，通过不同神经元之间的连接进行信息传递和处理。
ANN可以用于解决各种问题，如分类、回归、聚类等。
ANN的设计灵感来自于人脑神经系统。
人脑中的神经元通过电信号进行信息处理和传递，而ANN中的神经元模拟了这个过程。
ANN中的每个神经元都有多个输入和一个输出，输入通过带有权重的连接传递给神经元，然后通过激活函数进行处理，并将结果传递给输出。
通过调整连接的权重和选择合适的激活函数，ANN可以学习和适应不同的输入模式，并做出相应的输出。
ANN的训练是通过反向传播算法来实现的。
反向传播算法基于梯度下降法，通过计算预测输出和实际输出之间的误差，并根据误差来调整每个连接的权重。
这个过程通过不断迭代来实现，直到达到一定的精确度或收敛条件。
ANN的性能和表达能力取决于其结构和参数的选择。
常见的ANN结构有多层感知机（Multi-Layer Perceptron，MLP）、卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）等。
不同结构适用于不同类型的问题。
此外，ANN 的性能还受到学习率、激活函数、正则化和初始化等参数的影响。
ANN的算法具有以下优点：1.具备学习和适应能力：ANN可以通过训练数据学习和适应不同的模式，从而适用于不同的问题。
2.并行处理能力：ANN中的神经元可以并行处理输入，从而加速计算速度。
3.容错性：ANN的误差传递和权重调整机制使其对输入数据的噪声和干扰具有一定的容忍能力。
然而1.需要大量的训练数据：ANN的性能和泛化能力需要大量的标记训练数据进行训练。
2.训练过程较为复杂：ANN的训练过程需要通过反向传播算法进行权重调整，这涉及到大量的计算和迭代。
神经网络算法原理
神经网络算法是一种基于人工神经网络的模型训练和预测的算法。
该算法的原理是模拟人脑中的神经元之间的连接和信息传递过程，通过不同层次的神经元之间的连接权重来实现模式识别和学习能力。
神经网络算法的核心是多层的神经元网络，其中包括输入层、隐藏层和输出层。
每个神经元都有一个激活函数，负责将输入信号进行处理并输出给下一层的神经元。
算法的训练过程可以分为前向传播和反向传播两个阶段。
在前向传播过程中，输入数据被输入到网络中，并通过各层的神经元计算和激活函数的运算，最终得到输出结果。
在反向传播过程中，通过计算输出结果与实际结果之间的误差，将误差逆向传播给各层神经元，并根据误差调整每个连接的权重，以提高模型的准确性。
神经网络算法的训练依赖于大量的标记数据，即包含输入和对应输出的数据集。
通过多次迭代训练，模型可以逐渐调整连接权重，使得模型对输入数据的预测结果与实际输出尽可能接近。
这样，当输入新的未知数据时，神经网络模型能够预测出相应的输出结果。
神经网络算法的优点之一是其强大的模式识别能力和自动学习能力。
它能够从大量的样本中识别出重要的特征和模式，并据此进行预测。
此外，神经网络算法还可以处理非线性问题，因为它的每个神经元都可以通过激活函数进行非线性变换。
然而，神经网络算法也存在一些问题，比如计算复杂度较高、需要大量的训练样本和求解优化问题等。
此外，在训练过程中，网络模型可能会出现过拟合或欠拟合的问题，需要进行适当的调优和正则化处理。
总的来说，神经网络算法是一种强大的模型训练和预测方法，可用于解决各种复杂的问题，但需要合适的数据集和参数调整来取得良好的效果。
BP神经网络算法BP神经网络算法（BackPropagation Neural Network）是一种基于梯度下降法训练的人工神经网络模型，广泛应用于分类、回归和模式识别等领域。
它通过多个神经元之间的连接和权重来模拟真实神经系统中的信息传递过程，从而实现复杂的非线性函数拟合和预测。
BP神经网络由输入层、隐含层和输出层组成，其中输入层接受外部输入的特征向量，隐含层负责进行特征的抽取和转换，输出层产生最终的预测结果。
每个神经元都与上一层的所有神经元相连，且每个连接都有一个权重，通过不断调整权重来优化神经网络的性能。
BP神经网络的训练过程主要包括前向传播和反向传播两个阶段。
在前向传播中，通过输入层将特征向量引入网络，逐层计算每个神经元的输出值，直至得到输出层的预测结果。
在反向传播中，通过计算输出层的误差，逐层地反向传播误差信号，并根据误差信号调整每个连接的权重值。
具体来说，在前向传播过程中，每个神经元的输出可以通过激活函数来计算。
常见的激活函数包括Sigmoid函数、ReLU函数等，用于引入非线性因素，增加模型的表达能力。
然后，根据权重和输入信号的乘积来计算每个神经元的加权和，并通过激活函数将其转化为输出。
在反向传播过程中，首先需要计算输出层的误差。
一般采用均方差损失函数，通过计算预测值与真实值之间的差异来衡量模型的性能。
然后，根据误差信号逐层传播，通过链式法则来计算每个神经元的局部梯度。
最后，根据梯度下降法则，更新每个连接的权重值，以减小误差并提高模型的拟合能力。
总结来说，BP神经网络算法是一种通过多层神经元之间的连接和权重来模拟信息传递的人工神经网络模型。
通过前向传播和反向传播两个阶段，通过不断调整权重来训练模型，并通过激活函数引入非线性因素。
BP 神经网络算法在分类、回归和模式识别等领域具有广泛的应用前景。
人工智能算法及其应用近年来，人工智能技术发展迅速，其应用场景也越来越广泛。
其中，人工智能算法是其核心，并且也是应用最为广泛的部分。
本文将介绍人工智能算法的种类、原理及其应用领域。
一、人工神经网络算法人工神经网络算法模拟了人类大脑的神经网络，具有良好的智能识别能力。
它由多个层次组成，每一层都包含一个或多个神经元，每个神经元接收上一层的输出，计算并传递到下一层。
通过反向传播算法训练神经网络，不断调整神经元之间的权值，使得神经网络能够拟合实际数据，从而实现数据分类、预测等功能。
人工神经网络算法广泛应用于图像识别、语音识别、自然语言处理等领域。
二、决策树算法决策树算法是一种通过不断划分数据集，构建树形结构来分类和预测的算法。
决策树的每个节点都代表一个属性，每个分支代表该属性的取值，叶子节点代表分类结果。
通过构建决策树，可以简单清晰地表达数据之间的关系与规律，并可用于分类、预测和数据挖掘等领域。
三、支持向量机算法支持向量机算法是一种基于最大间隔分离的线性分类算法。
它通过构建超平面将数据分隔到不同的类别中，使得超平面到最近样本点的距离最大，从而能够较好地解决非线性分类问题。
支持向量机算法具有较强的泛化能力，广泛应用于图像分类、文本分类和人脸识别等领域。
四、聚类分析算法聚类分析算法是一种将数据对象分为若干类或群体的无监督学习算法。
它通过对数据对象之间的相似性进行度量，将相似的数据对象分为一类，并与不相似的数据对象分开。
聚类分析算法可用于数据挖掘、图像识别、社交网络分析等领域。
人工智能算法广泛应用于医疗、金融、自动驾驶、智能家居等多个领域。
例如，在医疗领域，人工智能算法可以应用于医学影像识别、疾病诊断和治疗方案选择等方面。
在金融领域，人工智能算法可用于风险评估、资产管理和投资决策等方面。
在自动驾驶领域，人工智能算法可用于障碍物识别、路径规划和车辆控制等方面。
在智能家居领域，人工智能算法可用于智能家居控制、能源管理和安全保障等方面。
人工神经网络算法
学习是要透过我们的头脑，因而研究大脑神经细胞的运作，可以帮助我们了解学习在脑神经是如何完成的，进而可以模拟神经细胞的运作以达到類似学习的功能。
据估计人脑约有一千亿（1011）个神经细胞，每个神经细胞约有一千（103）根連结与其它神经细胞相連，因此人脑中约有一百万亿（1014）根連结，形成一个高度連结网狀的神经网路（neural network）。
科学家们相信：人脑的信息处理工作即是透过这些連结來完成的 [葉怡成1993]。
神经细胞的形狀与一般的细胞有很大的不同，它包括：细胞体（soma）：神经细胞中呈核狀的处理机构；轴突（axon）：神经细胞中呈轴索狀的输送机构；树狀突（dendrites）：神经细胞中呈树枝狀的输出入机构；与突触（synapse）：树狀突上呈点狀的連结机构。
根据神经学家的研究发现：当神经细胞透过神经突触与树狀突从其它神经元输入脉波讯号后，经过细胞体处理，产生一个新的脉波讯号。
如果脉波讯号够强，将产生一个约千分之一秒100 毫伏的脉波讯号。
这个讯号再经过轴突传送到它的神经突触，成为其它神经细胞的输入脉波讯号。
如果脉波讯号是经过兴奋神经突触（excitatory synapse），则会增加脉波讯号的速率；相反的，如果脉波讯号是经过抑制神经突触（inhibitory synapse），则会减少脉波讯号的速率。
因此，脉波讯号的速率是同时取决于输入脉波讯号的速率，以及神经突触的强度。
而神经突触的强度可视为神经网路储存信息之所在，神经网路的学习即在调整神经突触的强度。
類神经网路（artificial neural networks），或译为人工神经网路，则是指模仿生物神经网路的信息处理系统，它是由许多人工神经细胞（又称为類神经元、人工神经元、与处理单元）所组成，
人工神经细胞，如图15-18 所示。
本节将探讨最古老、也是最基本的類神经网路模式——感知机（perceptron），它是1957 年由Rosenblatt 所提出。
感知机的基本原理是由脑神经模型所启发，特别是1943 年McCulloch 和Pitts 所共同提出的數学模型，通称为MP 模型，以及Hebb 所提出的神经元学习规则，通称为Hebb 学习规则。
MP 模型的要点如下：(1) 神经元的狀态为兴奋或抑制二者之一，可用0 表示抑制狀态，用1 表示兴奋狀态。
(2) 神经元与其它神经元间的連结，可用一个加权值（weight）表示連结强度。
(3) 神经元的狀态会经由連结输出到其它神经元，成为其输入。
(4) 神经元的狀态受其相連的神经元制约，当从这些神经元传來的输入讯号（即该神经元的狀态）经过連结以加权乘积和计算所得的值大于某门坎值（threshold）时，神经元的狀态将成为兴奋狀态；否则，为抑制狀态。
以公式表示为：
其中，Wij 为神经元 i 与神经元 j 间的連结强度，即連结加权值，Xi 为从神经元i 传來的输入讯号，θ j 为神经元 j 的门坎值，f 为转换函數（transfer function），通常为一个阶梯函數（step function），其定义如下：
(5) 神经网路的学习过程即在调整神经元间的連结强度，即連结加权值。
而Hebb学习规则的要点如下：调整兩个神经元间連结加权值的原则为当第i个与第 j 个神经元同时处于兴奋狀态时，则其連结应当加强。
Hebb 学习规则与动物行为科学中的条件反射学說一致。
感知机的网路架构有兩种，如图15-19 所示，一含有隐藏层，另一种则无。
它们皆包括有输入
层与输出层。
输入层用以表现网路的输入变數，其处理单元數目依问题而定，使用线性转换函數 f (X ) = X，亦即输入值即为输出值。
隐藏层用以表现输入处理单元间的交互影响，其处理单元數目通常以实验方式决定其最佳數目，隐藏层可以有一层以上，也可以没有。
输出层用以表现网路的输出变數，其处理单元的數目依问题而定。
输入变數形成一个输入向量，输出变數形成一个输出向量。
图15-19 感知机网路架构
我们以简单的无隐藏层的感知机來說明類神经网路的学习机制。
在神经网路的学习中，样本资料以數值形式表示，每一个样本都包含有输入向量X = [X1, X2, …,Xn] 和目标输出向量T = [T1, T2, …, Tm]。
一般将所有的样本资料随机分为兩部分，一部分为训練样本（training samples），另一部分为测试样本（test samples）。
首先，将感知机初始化，即给定每一个連结一个随机亂數值。
然后将一个训練样本的输入向量X 输入感知机中，并利用公式(15-6.1) 和(15-6.2) 计算其推論输出向量Y= [Y1, Y2, …,Ym]。
此网路利用由训練样本输入之目标输出向量T 和透过网路推得的推論输出向量Y相较之下的误差，作为修正連结中的加权值的依据，以从训練样本中学习隐含的输入向量与输出向量之对应关系。
差距量δ j 计算公式如下：
δ j＝T j－Yj (15-6.4) 若δ j > 0，表示推論输出变數Y j 小于目标输出变數T j，根据公式(15-6.2) 得知連结加权值W ij 太小，故应增加W ij 的值。
相反的，若δ j < 0，表示推論输出变數Y j 大于目标输出变數T j，根据公式(15-6.2) 得知連结加权值W ij 太大，故应减少W ij 的值。
加权值之改变量公式可表达如下：
△W ij ＝ηδ Xi (15-6.5) 其中，η 为学习速率（learning rate），控制每次加权值改变量的幅度。
公式(15-6.5)中，加权值之改变量也应与输入讯号 Xi 成正比，因为讯号越大，其修正量也应越大。
同理，输出单元的门坎值改变量公式计算如下：
△θj＝－ηδj (15-6.6) 类神经网络的学习过程，通常以一次一个训練样本的方式进行，直到学习完所有的训練样本为止，称为一个学习循环（learning cycle）。
加权值与门坎值的修正可采用逐步学习（step learning）或批次学习（batch learning），逐步学习是每输入一个训練样本，计算其加权值与门坎值的修正量后立即修改。
而批次学习是在一个学习循环后，计算所有训練样本的加权值与门坎值的修正量后，依下列公式计算其整体修正量而修改之。
其中，m 表示第m 个样本，而N 为训練样本总數。
一个网路可以将训練样本反复
学习多个循环，直到满足终止条件为止。
而终止条件可订为执行一定數目的学习
循环或是网路已收敛（即误差不再有明显变化）。
感知机的误差程度可用总错误率
E 定义如下：
学习过程：
1. 设定网路參數。
2. 以均布随机亂數设定加权值矩阵W，与偏权值向量初始值。
3. 输入一个训練样本的输入向量 X 与目标输出向量 T。
4. 计算推論输出向量 Y。
5. 计算差距量δ。
6. 计算加权值矩阵修正量ΔW，以及偏权值向量修正量Δθ。
7. 更新加权值矩阵W，以及偏权值向量θ。
8. 重复步骤3 至步骤7 直至到收敛或执行一定數目的学习循环。
回想过程：
1. 设定网路參數。
2. 讀入加权值矩阵W 与偏权值向量θ。
3. 输入一个测试样本的输入向量 X。
4. 计算推論输出向量Y。
