Ⅰ 1. 从零开始搭建大语言模型——简单的神经网络模型
本文主要介绍了从零开始搭建大语言模型时，神经网络模型的简单构建过程。首先，我们假设读者对游戏开发有一定基础，对线性代数有所了解。神经网络的基础结构其实非常直观，可以用线性代数公式y = ax + b表示，其中y是输出，x是输入，a和b是学习参数。对于多输入问题，公式变为y = [a1 a2 a3 a4 a5] x transpose([x1 x2 x3 x4 x5]) + b，这代表一个线性分类问题。
然而，现实生活中的问题往往非线性，这时神经网络通过激活函数如ReLU进行非线性变换。ReLU函数f(x) = max(0, x)是常用的选择，其作用是将线性结果转换为非线性，便于处理复杂问题。多层神经网络结构中，各层之间通过激活函数和全连接方式连接，输出层通常使用softmax函数，将结果规范化并求最大值以得出最终预测。
尽管公式看似复杂，但实际开发中，大多数情况下神经网络API已内置了这些功能，无需深入理解每个细节。下一章节将深入讲解损失函数和反向传播算法，这两者是训练神经网络的关键步骤。
Ⅱ 只有温度数据怎么建立rbf神经网络模型
该网络的输出是什么？RBF神经网络的建立和训练主要有以下几种形式：
1.net=newrbe(P,T,spread)
newrbe()函数可以快速设计一个径向基函数网络，且是的设计误差为0。第一层(径向基层)神经元数目等于输入向量的个数，加权输入函数为dist，网络输入函数为netprod；第二层(线性层)神经元数模有输出向量T确定，加权输入函数为dotprod，网络输入函数为netsum。两层都有阀值。
第一层的权值初值为p'，阀值初值为0.8326/spread，目的是使加权输入为±spread时径向基层输出为0.5，阀值的设置决定了每一个径向基神经元对输入向量产生响应的区域。
2.[net,tr] =newrb(P,T,goal,spread,MN,DF)
该函数和newrbe一样，只是可以自动增加网络的隐层神经元数模直到均方差满足精度或者神经元数模达到最大为止。
P=-1:0.1:1;
T=sin(P);
spread=1;
mse=0.02;
net=newrb(P,T,mse,spread);
t=sim(net,P);
plot(P,T,'r*',P,t)
3.还可以直接建立广义RBF神经网络：net = newgrnn(P,T,spread)泛回归网络(generalized regression neural network)广义回归网络主要用于函数逼近。它的结构完全与newbre的相同，但是有以下几点区别(没有说明的表示相同)：
(1)第二网络的权值初值为T
(2)第二层没有阀值
(3)第二层的权值输入函数为normpod，网络输入函数为netsum
P=0:1:20;
T=exp(P).*sin(P);
net=newgrnn(P,T,0.7);
p=0:0.1:20;
t=sim(net,p);
plot(P,T,'*r',p,t)