bp神经网络回归python代码

以下是一个简单的 BP 神经网络回归的 Python 代码：

import numpy as np

class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        self.weights_hidden = np.random.randn(self.input_size, self.hidden_size)
        self.bias_hidden = np.random.randn(self.hidden_size)
        self.weights_output = np.random.randn(self.hidden_size, self.output_size)
        self.bias_output = np.random.randn(self.output_size)
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(self, x):
        return x * (1 - x)
    
    def forward(self, x):
        self.hidden_layer = self.sigmoid(np.dot(x, self.weights_hidden) + self.bias_hidden)
        self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.weights_output) + self.bias_output)
        return self.output_layer
    
    def backward(self, x, y, output):
        self.output_error = y - output
        self.output_delta = self.output_error * self.sigmoid_derivative(output)
        self.hidden_error = np.dot(self.output_delta, self.weights_output.T)
        self.hidden_delta = self.hidden_error * self.sigmoid_derivative(self.hidden_layer)
        
        self.weights_output += np.dot(self.hidden_layer.T, self.output_delta)
        self.bias_output += np.sum(self.output_delta, axis=0)
        self.weights_hidden += np.dot(x.T, self.hidden_delta)
        self.bias_hidden += np.sum(self.hidden_delta, axis=0)
        
    def train(self, x, y, epochs):
        for i in range(epochs):
            output = self.forward(x)
            self.backward(x, y, output)
            
    def predict(self, x):
        return self.forward(x)

其中，`NeuralNetwork` 类包含三个参数：输入层大小、隐藏层大小和输出层大小。在初始化函数中，我们使用正态分布随机初始化隐藏层和输出层的权重和偏差。`sigmoid` 函数用于激活隐藏层和输出层，`sigmoid_derivative` 函数用于计算激活函数的导数。

`forward` 函数将输入 `x` 传递到网络中，并返回输出层的预测值。`backward` 函数用于计算误差和更新权重和偏差，从而使网络的预测更接近目标输出 `y`。`train` 函数用于训练网络，使用反向传播算法来更新权重和偏差。`predict` 函数用于对新数据进行预测。

使用时，可以将数据集 `X` 和目标输出 `y` 传递给 `train` 函数，以训练网络。例如：

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

nn = NeuralNetwork(2, 3, 1)
nn.train(X, y, epochs=10000)

print(nn.predict(X))

这里使用了一个简单的 XOR 数据集来训练网络。训练完成后，可以使用 `predict` 函数来对新数据进行预测。