bp神经网络回归预测python代码

以下是一个使用BP神经网络进行回归预测的Python代码示例：

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
        
        # 初始化权重和偏差
        self.weights_ih = np.random.rand(self.hidden_size, self.input_size)
        self.bias_h = np.random.rand(self.hidden_size, 1)
        self.weights_ho = np.random.rand(self.output_size, self.hidden_size)
        self.bias_o = np.random.rand(self.output_size, 1)
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def forward(self, inputs):
        # 计算隐藏层的输出
        hidden = np.dot(self.weights_ih, inputs) + self.bias_h
        hidden = self.sigmoid(hidden)
        
        # 计算输出层的输出
        output = np.dot(self.weights_ho, hidden) + self.bias_o
        
        return output
    
    def train(self, inputs, targets, learning_rate):
        # 前向传播
        hidden = np.dot(self.weights_ih, inputs) + self.bias_h
        hidden = self.sigmoid(hidden)
        output = np.dot(self.weights_ho, hidden) + self.bias_o
        
        # 计算输出误差和隐藏层误差
        output_error = targets - output
        hidden_error = np.dot(self.weights_ho.T, output_error)
        
        # 反向传播
        output_gradient = output_error * learning_rate
        hidden_gradient = hidden * (1 - hidden) * hidden_error * learning_rate
        
        # 更新权重和偏差
        self.weights_ho += np.dot(output_gradient, hidden.T)
        self.bias_o += output_gradient
        self.weights_ih += np.dot(hidden_gradient, inputs.T)
        self.bias_h += hidden_gradient
        
    def predict(self, inputs):
        # 使用训练好的模型进行预测
        return self.forward(inputs)

这个实现与之前的实现类似，但是有几个重要的区别：

1. 输出层没有使用激活函数，因为我们希望输出任意实数值，而不是一个二元分类的结果。
2. 输出误差只是简单地计算目标值和预测值之间的差别，而不是使用特定的损失函数。
3. 隐藏层和输出层的梯度计算有所不同，因为输出层没有使用激活函数。
4. 添加了一个predict函数，用于使用训练好的模型进行预测。