神经网络模型python示例

神经网络是机器学习中常用的一种模型，它可以通过学习输入和输出之间的关系，来预测新的数据的输出。以下是一个简单的神经网络模型的Python示例：

import numpy as np

# 定义神经网络模型
class NeuralNetwork():
    def __init__(self):
        # 随机初始化权重
        self.weights = 2 * np.random.random((3, 1)) - 1

    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))

    def sigmoid_derivative(self, x):
        return x * (1 - x)

    def train(self, inputs, outputs, iterations):
        for i in range(iterations):
            # 前向传播
            output = self.predict(inputs)

            # 计算误差
            error = outputs - output

            # 反向传播
            adjustment = np.dot(inputs.T, error * self.sigmoid_derivative(output))
            self.weights += adjustment

    def predict(self, inputs):
        inputs = inputs.astype(float)
        output = self.sigmoid(np.dot(inputs, self.weights))
        return output

# 训练数据
training_inputs = np.array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])
training_outputs = np.array([[0, 1, 1, 0]]).T

# 创建神经网络
neural_network = NeuralNetwork()

# 训练神经网络
neural_network.train(training_inputs, training_outputs, 10000)

# 预测新的数据
new_data = np.array([1, 0, 0])
prediction = neural_network.predict(new_data)
print(prediction)

在上面的示例中，我们定义了一个简单的神经网络模型，并使用随机初始化的权重进行训练。我们使用sigmoid函数作为激活函数，并使用梯度下降算法进行反向传播来更新权重。最后，我们使用训练好的神经网络来预测新的数据的输出。