ANN神经网络python代码示例
时间: 2024-03-28 21:34:59 浏览: 28
当然,下面是一个简单的ANN神经网络的Python代码示例:
```python
import numpy as np
# 定义神经网络类
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
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 = self.sigmoid(self.z)
self.z3 = np.dot(self.z2, self.W2)
output = self.sigmoid(self.z3)
return output
def sigmoid(self, s):
# Sigmoid激活函数
return 1 / (1 + np.exp(-s))
def sigmoid_derivative(self, s):
# Sigmoid函数的导数
return s * (1 - s)
def backward(self, X, y, output, learning_rate):
# 反向传播
self.output_error = y - output
self.output_delta = self.output_error * self.sigmoid_derivative(output)
self.z2_error = self.output_delta.dot(self.W2.T)
self.z2_delta = self.z2_error * self.sigmoid_derivative(self.z2)
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, 0.1)
def predict(self, X):
return self.forward(X)
# 创建一个神经网络对象
nn = NeuralNetwork(2, 3, 1)
# 输入数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])
# 训练神经网络
nn.train(X, y, 10000)
# 预测结果
print(nn.predict(X))
```
这个代码示例实现了一个简单的2层神经网络,包含一个输入层、一个隐藏层和一个输出层。使用Sigmoid作为激活函数,并使用反向传播算法进行训练。你可以根据自己的需求修改网络结构和参数,以适应不同的问题。