bp神经网络模型 完整代码

很高兴回答你关于BP神经网络模型的问题。以下是一个简单的BP神经网络的完整代码示例：

import numpy as np

# 定义BP神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重
        self.W1 = np.random.randn(input_size, hidden_size)
        self.W2 = np.random.randn(hidden_size, output_size)
        
    def sigmoid(self, x):
        # Sigmoid 激活函数
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(self, x):
        # Sigmoid 激活函数的导数
        return x * (1 - x)
    
    def forward(self, X):
        # 前向传播
        self.z = np.dot(X, self.W1)
        self.hidden_layer = self.sigmoid(self.z)
        self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.W2))
        
    def backward(self, X, y, learning_rate):
        # 反向传播
        output_error = y - self.output_layer
        output_delta = output_error * self.sigmoid_derivative(self.output_layer)
        
        hidden_error = np.dot(output_delta, self.W2.T)
        hidden_delta = hidden_error * self.sigmoid_derivative(self.hidden_layer)
        
        self.W2 += learning_rate * np.dot(self.hidden_layer.T, output_delta)
        self.W1 += learning_rate * np.dot(X.T, hidden_delta)

# 创建训练数据集
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# 定义神经网络参数
input_size = X.shape[1]
hidden_size = 4
output_size = 1

# 创建BP神经网络实例
nn = NeuralNetwork(input_size, hidden_size, output_size)

# 定义训练参数
epochs = 10000
learning_rate = 0.1

# 训练神经网络
for i in range(epochs):
    nn.forward(X)
    nn.backward(X, y, learning_rate)

# 预测新的样本
new_data = np.array([[1, 1]])
nn.forward(new_data)
print("预测结果：", nn.output_layer)

这个代码示例实现了一个简单的BP神经网络模型，包含输入层、隐藏层和输出层。它使用随机初始化的权重，通过前向传播和反向传播来训练网络，并使用Sigmoid函数作为激活函数。最后，使用训练好的模型进行预测。

请注意，这只是一个简单的示例代码，实际应用中可能需要更复杂的网络结构和优化方法。希望对你有所帮助！如果你有更多问题，请随时提问。