python神经网络算法实例

以下是一个简单的Python神经网络算法实例：

import numpy as np

# 定义sigmoid函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义神经网络类
class NeuralNetwork:
    def __init__(self):
        # 随机初始化权重
        self.weights = np.random.randn(2, 1)
        self.bias = np.random.randn(1)
        
    def feedforward(self, x):
        # 前向传播
        output = sigmoid(np.dot(x, self.weights) + self.bias)
        return output
    
    def train(self, x, y, epochs):
        # 训练神经网络
        for epoch in range(epochs):
            # 前向传播
            output = self.feedforward(x)
            
            # 计算损失函数
            error = y - output
            
            # 计算梯度
            d_weights = np.dot(x.T, error * output * (1 - output))
            d_bias = np.sum(error * output * (1 - output))
            
            # 更新权重和偏置
            self.weights += d_weights
            self.bias += d_bias
            
            # 打印训练进度
            if (epoch+1) % 100 == 0:
                print("Epoch:", epoch+1, "Loss:", np.mean(np.abs(error)))
                
# 创建数据集
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()

# 训练神经网络
nn.train(X, y, epochs=1000)

# 打印预测结果
print(nn.feedforward(X))

这个例子实现了一个简单的多层感知器（MLP），它包含一个输入层、一个隐藏层和一个输出层。它使用sigmoid函数作为激活函数，使用随机梯度下降算法进行训练。这个神经网络可以用来解决XOR问题。