不采用random函数如何实现

如果不使用`random`函数，你可以手动指定每个同心圆的颜色，例如按照颜色列表的顺序进行绘制。下面是示例代码：

import turtle

colors = ['blue', 'red', 'yellow', 'pink', 'black']

turtle.speed(0)
turtle.hideturtle()

for i in range(5):
    color = colors[i]
    turtle.penup()
    turtle.goto(0, -i * 20)
    turtle.pendown()
    turtle.pencolor(color)
    turtle.fillcolor(color)
    turtle.begin_fill()
    turtle.circle((i + 1) * 20)
    turtle.end_fill()

turtle.done()

代码中，我们不再使用`random.choice`函数，而是直接按照`colors`列表的顺序选择颜色。同样使用`turtle.circle`函数画同心圆，半径从小到大递增，每个圆的半径是前一个圆的半径加上20。最后调用`turtle.done`函数保持窗口不关闭。

你可以将代码复制到Python IDE中运行，看看效果如何。希望能帮到你！

相关问题

那random函数和rand函数有区别吗

random函数和rand函数在功能上是类似的，都是生成随机数的函数。但是它们的实现方式和用法有些不同：

1. random函数是C++11标准库中的函数，而rand函数是C标准库中的函数。

2. random函数采用了更为先进的随机数生成算法，生成的随机数分布更加均匀，而rand函数生成的随机数分布不均匀。

3. random函数的用法更加灵活，可以自定义随机数生成器的种子和分布方式，而rand函数只能使用默认的随机数生成器。

4. random函数返回值的类型是std::uniform_int_distribution，而rand函数返回值的类型是int。

综上所述，random函数相比rand函数更为高效、灵活和安全。

用Python写一个用BP算法实现分类的代码，其中隐藏层的激励函数采用tanh函数，输出层的激励函数采用sigmoid函数，目标函数采用平方误差函数，待分类数据由用户输入

好的，下面是一个简单的用Python实现BP算法分类的代码，其中隐藏层的激励函数采用tanh函数，输出层的激励函数采用sigmoid函数，目标函数采用平方误差函数，待分类数据由用户输入：

import numpy as np

# 定义神经网络结构
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重和偏置
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.b1 = np.zeros((1, self.hidden_size))
        self.W2 = np.random.randn(self.hidden_size, self.output_size)
        self.b2 = np.zeros((1, self.output_size))
        
    # 定义tanh激活函数
    def tanh(self, x):
        return np.tanh(x)
    
    # 定义sigmoid激活函数
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    # 前向传播
    def forward(self, X):
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = self.tanh(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = self.sigmoid(self.z2)
        return self.a2
    
    # 计算平方误差函数
    def loss(self, Y, Y_hat):
        return np.sum((Y - Y_hat) ** 2)
    
    # 反向传播
    def backward(self, X, Y, Y_hat, learning_rate):
        delta2 = (Y_hat - Y) * self.a2 * (1 - self.a2)
        dW2 = np.dot(self.a1.T, delta2)
        db2 = np.sum(delta2, axis=0, keepdims=True)
        delta1 = np.dot(delta2, self.W2.T) * (1 - self.a1 ** 2)
        dW1 = np.dot(X.T, delta1)
        db1 = np.sum(delta1, axis=0)
        # 更新权重和偏置
        self.W2 -= learning_rate * dW2
        self.b2 -= learning_rate * db2
        self.W1 -= learning_rate * dW1
        self.b1 -= learning_rate * db1
    
    # 训练神经网络
    def train(self, X, Y, learning_rate, epochs):
        for i in range(epochs):
            Y_hat = self.forward(X)
            loss = self.loss(Y, Y_hat)
            self.backward(X, Y, Y_hat, learning_rate)
            if i % 100 == 0:
                print("Epochs:", i, "Loss:", loss)
    
    # 预测新数据
    def predict(self, X):
        Y_hat = self.forward(X)
        return np.round(Y_hat)
    
# 获取数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
Y = np.array([[0], [1], [1], [0]])

# 创建神经网络
nn = NeuralNetwork(2, 3, 1)

# 训练神经网络
nn.train(X, Y, 0.1, 1000)

# 预测新数据
while True:
    try:
        x1 = float(input("请输入第一个特征值："))
        x2 = float(input("请输入第二个特征值："))
        X_new = np.array([[x1, x2]])
        Y_pred = nn.predict(X_new)
        print("预测结果为：", Y_pred)
    except:
        print("程序终止！")
        break

这段代码实现了一个2-3-1的神经网络，其中输入层有2个神经元，隐藏层有3个神经元，输出层有1个神经元。你可以根据自己的需求修改输入数据的维度、神经网络的结构和超参数等。