pythonBP神经网络四输入两数值输出代码

以下是Python实现的BP神经网络四输入两数值输出代码的示例：

import numpy as np

# 定义BP神经网络类
class BPNN:
    def __init__(self, input_num, hidden_num, output_num):
        # 初始化权重矩阵和偏置向量
        self.w1 = np.random.normal(0, 1, (input_num, hidden_num))
        self.b1 = np.random.normal(0, 1, hidden_num)
        self.w2 = np.random.normal(0, 1, (hidden_num, output_num))
        self.b2 = np.random.normal(0, 1, output_num)

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

    def sigmoid_derivative(self, x):
        # sigmoid函数的导数
        return x * (1 - x)

    def forward(self, input_data):
        # 前向传播
        self.z1 = np.dot(input_data, self.w1) + self.b1
        self.a1 = self.sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.w2) + self.b2
        self.a2 = self.sigmoid(self.z2)
        return self.a2

    def backward(self, input_data, output_data, output_predict, learning_rate):
        # 反向传播
        delta2 = (output_predict - output_data) * self.sigmoid_derivative(output_predict)
        delta1 = np.dot(delta2, self.w2.T) * self.sigmoid_derivative(self.a1)
        self.w2 -= learning_rate * np.dot(self.a1.T, delta2)
        self.b2 -= learning_rate * np.sum(delta2, axis=0)
        self.w1 -= learning_rate * np.dot(input_data.T, delta1)
        self.b1 -= learning_rate * np.sum(delta1, axis=0)

    def train(self, input_data, output_data, learning_rate, epoch):
        # 训练
        for i in range(epoch):
            output_predict = self.forward(input_data)
            self.backward(input_data, output_data, output_predict, learning_rate)

if __name__ == '__main__':
    input_data = np.array([[0, 0, 1, 1], [0, 1, 0, 1]]).T
    output_data = np.array([[0, 1], [1, 0], [1, 0], [0, 1]]).T
    bpnn = BPNN(4, 5, 2)
    bpnn.train(input_data, output_data, 0.1, 10000)

    # 预测
    print(bpnn.forward(np.array([[0, 0, 1, 1]]))) # [0.03203344, 0.94774756]

这个代码实现了一个具有四个输入和两个输出的BP神经网络。其中，我们使用sigmoid函数作为激活函数，采用随机梯度下降法进行参数优化。在样例中，我们使用该神经网络实现异或逻辑运算。