停课了吗？下载不浪费！|音效版神经网络

【有趣的备课】

最近,同时忙着几个事，学校在创一个项目，好几位老师们在结题，受局委托指导其他学校两个课题组结题 ……

但是自从有了AI生成网页工具，教学变得更有趣了。周末给张老师的KNN加了节奏音效。想周一的课给学生玩玩。

当然，因为是教的几个班学生不错，本来再深入讲自定义函数的，感觉类在现在算法实现中，尤其是AI生成代码中，是最常见的面向对象的功能封装方法。为此，备课以“自定义函数与类——以神经网络与前向传播为例”。

为此，在我前面做的一个AI的基石——Python的网页基础上，增加了“三种基本结构”的交互体验，让学生再次温故知新。并重点优化了以类模拟神经网络的可视化，加了交互式可调节的神经网络。当然，这个内容以前我讲过，这些是想再深入，让学生深入理解自定义函数的过程特点，引入到类的对象特征，至两者的结合，即class1.f(x)的现代算法的描述。

记得，这个环节刚开始教学的时候，有的老师不得不用国外的网站。现在有了AI生成网页了，不算简单的交互动画，很快就可以潜入成功了。

并且，加个模拟的音效，不同于KNN那样的外部文件，也可以介绍给学生，了解这是一种设计思维。注意，并非主旨是计算思维。

【课例片段】

1.自主温习三种基本结构

2.自定义函数（作业部分）

# 自定义函数：可以复用的代码，表达算法deff(a,b): #参数 returna*b#返回foriinrange(10): print(f(i,10-i))# 多次调用函数

3.类（作业部分）

# 类：封闭的对象，属性（数据）、方法（算法）classPerson: def__init__(self,name):#参数 self.name = name # 属性：类内数据 defsay(self): # 方法：类内自定义函数 s=self.name+"您好!" returnsPerson1=Person('李宁')#定义类的实例print(Person1.say() ) # 调用类的方法Person2=Person('张宁')print(Person2.say() )

4.神经网络

交互声效：

5.用类构造简单神经网络，实现前向传播算法。（作业：更换样本）

importnumpyasnpclassSimpleNeuralNet: def__init__(self, input_size, hidden_size, output_size): #输入层-隐藏层的权重 self.W1 = np.random.randn(input_size, hidden_size) *0.1 print("W1:",self.W1) #隐藏层偏置 self.b1 = np.zeros(hidden_size) print("b1:",self.b1) #隐藏层-输出层权重 self.W2 = np.random.randn(hidden_size, output_size) *0.1 print("W2:",self.W2) #输出层的偏置 self.b2 = np.zeros(output_size) print("b2:",self.b2) print(f"模型初始化各层的神经元数量:{input_size}→{hidden_size}→{output_size}") defsigmoid(self, x):#自定义函数，激活函数 return1/ (1+ np.exp(-x)) defforward(self, x):#自定义函数，前向传播算法 print("输入层输入:", x) hidden_z = np.dot(x,self.W1) +self.b1 # 加权求和+偏置 print("隐藏层输入:", hidden_z) hidden =self.sigmoid(hidden_z) # 激活函数 print("隐藏层输出:", hidden) output_z = np.dot(hidden,self.W2) +self.b2 print("输出层输入:", output_z) output =self.sigmoid(output_z) print("输出层输出:", output) returnoutputmodel = SimpleNeuralNet(3,2,1)# 初始化模型sample_input = np.array([[0.5,0.2,0.9]])# 输入样本，更换输入值实验output = model.forward(sample_input)# 前向传播print("前向传播输出:", output)