python 搭建bp神经网络

Python 搭建 BP 神经网络一般可以通过如下步骤实现：

1.导入必要的库：NumPy、Pandas 等。

2.准备数据集：将数据集分为训练集和测试集，并对数据进行归一化处理。

3.初始化神经网络参数：设置输入层、输出层、隐藏层的神经元个数、学习率等参数。

4.定义激活函数：可以使用 sigmoid、tanh、ReLU 等函数。

5.定义损失函数：可以使用均方误差（MSE）、交叉熵（Cross-Entropy）等函数。

6.定义反向传播算法：根据损失函数求出神经网络参数的梯度。

7.训练神经网络：通过多次迭代更新神经网络参数，使得损失函数最小化。

8.测试神经网络：用测试集验证神经网络的准确率。

以下是一个简单的 Python 代码示例，可以帮助你更好地了解 BP 神经网络的搭建过程：

import numpy as np
import pandas as pd

# 准备数据集
data = pd.read_csv('data.csv')
X = data.iloc[:, :-1]
y = data.iloc[:, -1:]

# 归一化处理
X = (X - np.mean(X)) / np.std(X)

# 初始化参数
input_size = X.shape
hidden_size = 4
output_size = 1
learning_rate = 0.01

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

# 定义损失函数
def mse_loss(y_true, y_pred):
    return ((y_true - y_pred) ** 2).mean()

# 定义反向传播算法
def backpropagation(X, y, W1, b1, W2, b2):
    # 前向传播
    z1 = np.dot(X, W1) + b1
    a1 = sigmoid(z1)
    z2 = np.dot(a1, W2) + b2
    y_pred = sigmoid(z2)

    # 计算梯度
    delta2 = (y_pred - y) * y_pred * (1 - y_pred)
    delta1 = delta2.dot(W2.T) * a1 * (1 - a1)

    dW2 = a1.T.dot(delta2)
    db2 = np.sum(delta2, axis=0, keepdims=True)
    dW1 = X.T.dot(delta1)
    db1 = np.sum(delta1, axis=0)

    # 更新参数
    W2 -= learning_rate * dW2
    b2 -= learning_rate * db2
    W1 -= learning_rate * dW1
    b1 -= learning_rate * db1

    return W1, b1, W2, b2

# 训练神经网络
W1 = np.random.randn(input_size, hidden_size)
b1 = np.zeros((1, hidden_size))
W2 = np.random.randn(hidden_size, output_size)
b2 = np.zeros((1, output_size))

for i in range(1000):
    W1, b1, W2, b2 = backpropagation(X, y, W1, b1, W2, b2)
    loss = mse_loss(y, sigmoid(np.dot(sigmoid(np.dot(X, W1) + b1), W2) + b2))
    if i % 100 == 0:
        print('Epoch', i, 'loss', loss)

# 测试神经网络
y_pred = sigmoid(np.dot(sigmoid(np.dot(X_test, W1) + b1), W2) + b2)
accuracy = np.mean((y_pred > 0.5) == y_test)
print('Accuracy:', accuracy)

# 相关问题：
# 1. 什么是 BP 神经网络？
# 2. BP 神经网络有哪些应用场景？
# 3. 除了 sigmoid 函数，还有哪些常用的激活函数？