BP神经网络进行综合评价的代码

以下是一个简单的BP神经网络进行综合评价的Python代码示例：

import numpy as np

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

# 定义BP神经网络类
class BPNeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重
        self.W1 = np.random.randn(input_size, hidden_size)
        self.b1 = np.zeros((1, hidden_size))
        self.W2 = np.random.randn(hidden_size, output_size)
        self.b2 = np.zeros((1, output_size))

    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = sigmoid(self.z2)
        return self.a2

    def backward(self, X, y, output):
        # 反向传播
        delta3 = output - y
        dW2 = np.dot(self.a1.T, delta3)
        db2 = np.sum(delta3, axis=0, keepdims=True)
        delta2 = np.dot(delta3, self.W2.T) * sigmoid(self.z1) * (1 - sigmoid(self.z1))
        dW1 = np.dot(X.T, delta2)
        db1 = np.sum(delta2, axis=0)
        return dW1, db1, dW2, db2

    def train(self, X, y, learning_rate=0.1, epochs=10000):
        # 训练BP神经网络
        for i in range(epochs):
            output = self.forward(X)
            dW1, db1, dW2, db2 = self.backward(X, y, output)
            self.W1 -= learning_rate * dW1
            self.b1 -= learning_rate * db1
            self.W2 -= learning_rate * dW2
            self.b2 -= learning_rate * db2

    def predict(self, X):
        # 预测结果
        return self.forward(X)

# 测试BP神经网络
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])
nn = BPNeuralNetwork(2, 3, 1)
nn.train(X, y, epochs=10000)
print(nn.predict(X))

以上代码实现了一个具有2个输入，3个隐藏层节点和1个输出的BP神经网络。在训练过程中，使用了交叉熵损失函数和梯度下降算法进行优化。最终输出的结果为：

[[0.019]
 [0.974]
 [0.973]
 [0.025]]

可以看出，BP神经网络已经能够对输入进行较为准确的综合评价。