单层神经网络python实现

单层神经网络也称为感知机，是一种最简单的神经网络结构。它只有一个输入层、一个隐藏层（如果有的话通常可以忽略，因为只有一个节点）以及一个输出层。在Python中，我们可以使用库如`numpy`来实现基本的单层神经网络。

下面是一个简化的例子：

import numpy as np

# 定义权重初始化函数
def init_weights(input_size, hidden_size):
    return np.random.uniform(-0.5, 0.5, (input_size + 1, hidden_size))

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

# 模型训练示例
def train perceptron(inputs, targets, learning_rate=0.1, epochs=1000):
    weights = init_weights(len(inputs[0]), 1)  # 初始化权重
    for _ in range(epochs):
        output = sigmoid(np.dot(inputs, weights[:-1]) + weights[-1])  # 前向传播
        error = targets - output  # 计算误差
        delta = error * sigmoid(output) * (1 - sigmoid(output))  # 反向传播
        weights[:-1] += learning_rate * np.dot(inputs.T, delta)  # 更新权重
        weights[-1] += learning_rate * sum(delta)

# 使用模型预测
def predict(inputs, weights):
    return sigmoid(np.dot(inputs, weights[:-1]) + weights[-1])

# 示例用法
inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
targets = np.array([[0], [1], [1], [0]])
train_perceptron(inputs, targets)

这个例子展示了如何创建一个简单的单层神经网络，并通过梯度下降进行训练。请注意，这只是一个基础版本，实际应用中可能需要处理更多的细节，例如批量训练、交叉验证等。