python ANN代码

当然可以！下面是一个简单的Python代码示例，用于构建一个基本的人工神经网络（Artificial Neural Network，ANN）模型：

import numpy as np

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

# 定义ANN类
class ANN:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.W2 = np.random.randn(self.hidden_size, self.output_size)
        
    def forward(self, X):
        # 前向传播
        self.z = np.dot(X, self.W1)
        self.z2 = sigmoid(self.z)
        self.z3 = np.dot(self.z2, self.W2)
        output = sigmoid(self.z3)
        return output
    
    def backward(self, X, y, output, learning_rate):
        # 反向传播
        self.output_error = y - output
        self.output_delta = self.output_error * sigmoid(output, derivative=True)
        
        self.z2_error = self.output_delta.dot(self.W2.T)
        self.z2_delta = self.z2_error * sigmoid(self.z2, derivative=True)
        
        self.W1 += X.T.dot(self.z2_delta) * learning_rate
        self.W2 += self.z2.T.dot(self.output_delta) * learning_rate
        
    def train(self, X, y, epochs):
        for i in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output, learning_rate=0.1)
            
    def predict(self, X):
        return self.forward(X)

# 创建一个ANN对象
ann = ANN(input_size=2, hidden_size=3, output_size=1)

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

# 训练模型
ann.train(X, y, epochs=10000)

# 预测新数据
new_data = np.array([[0, 0]])
prediction = ann.predict(new_data)
print(prediction)

这个代码示例展示了一个简单的ANN模型，使用了sigmoid作为激活函数，并通过反向传播算法进行训练。你可以根据自己的需求修改输入层、隐藏层和输出层的大小，以及训练数据和训练轮数。