使用python创建一个使用归一化、Xavier初始化、正则化方法和MSGD的BP网络,该网络有8个输入1个输出1层隐藏层,要求分为两个模块(py文件),在确认输入、输出的训练集之后,模型不会出现shape类报错,且一个是BP网络,另一个是主函数,尝试在main模块中实现绘制R2图来说明模型的拟合度,并且输出MAE、MSE、预测值和真实值之间的相对误差平均百分比,绘制各输入输出的拟合折线图,且R2图和折线图中使用的数据均为未变换数据,在每句代码后添加注释;练集数据存于xlsx表格前3000行中,之后的都是测试集。并且能够输出各输入的权重。

时间: 2023-11-22 10:55:14 浏览: 51
RAR

基于python实现BP神经网络

这是一个相对复杂的任务,需要很多代码。以下是一个简单的实现,仅供参考,可能不符合所有要求。 首先,我们需要安装pandas、numpy、matplotlib等库。这些库可以通过pip install命令安装。 接下来,我们将数据集分为训练集和测试集,并将它们转换为numpy数组。我们还需要对数据进行归一化处理,以便更好地训练模型。 ```python import pandas as pd import numpy as np # 读取数据集 data = pd.read_excel('data.xlsx') # 将数据集分为训练集和测试集 train_data = data[:3000].values test_data = data[3000:].values # 归一化处理 def normalize_data(data): min_vals = data.min(0) max_vals = data.max(0) ranges = max_vals - min_vals norm_data = (data - min_vals) / ranges return norm_data, ranges, min_vals train_data, train_ranges, train_min_vals = normalize_data(train_data) test_data = (test_data - train_min_vals) / train_ranges # 分离输入和输出 train_x = train_data[:, :-1] train_y = train_data[:, -1:] test_x = test_data[:, :-1] test_y = test_data[:, -1:] ``` 接下来,我们将创建一个名为bp_network.py的文件,其中包含我们的BP网络类。我们将使用Xavier初始化和L2正则化来初始化网络权重和偏差。我们还将使用MSGD来训练网络。 ```python import numpy as np class BPNetwork: def __init__(self, input_size, hidden_size, output_size, learning_rate, lmbda): self.input_size = input_size self.hidden_size = hidden_size self.output_size = output_size self.learning_rate = learning_rate self.lmbda = lmbda # 初始化权重和偏差 self.weights_in_hidden = np.random.randn(input_size, hidden_size) / np.sqrt(input_size) self.biases_in_hidden = np.zeros((1, hidden_size)) self.weights_hidden_out = np.random.randn(hidden_size, output_size) / np.sqrt(hidden_size) self.biases_hidden_out = np.zeros((1, output_size)) def forward(self, x): # 前向传播 hidden_input = np.dot(x, self.weights_in_hidden) + self.biases_in_hidden hidden_output = np.tanh(hidden_input) output_input = np.dot(hidden_output, self.weights_hidden_out) + self.biases_hidden_out output = output_input return output, hidden_output def backward(self, x, y, output, hidden_output): # 反向传播 error = output - y delta_output = error delta_hidden_output = np.dot(delta_output, self.weights_hidden_out.T) * (1 - np.power(hidden_output, 2)) gradients_hidden_out = np.dot(hidden_output.T, delta_output) gradients_biases_hidden_out = np.sum(delta_output, axis=0, keepdims=True) gradients_in_hidden = np.dot(x.T, delta_hidden_output) gradients_biases_in_hidden = np.sum(delta_hidden_output, axis=0) # 添加L2正则化 gradients_hidden_out += self.lmbda * self.weights_hidden_out gradients_in_hidden += self.lmbda * self.weights_in_hidden # 更新权重和偏差 self.weights_hidden_out -= self.learning_rate * gradients_hidden_out self.biases_hidden_out -= self.learning_rate * gradients_biases_hidden_out self.weights_in_hidden -= self.learning_rate * gradients_in_hidden self.biases_in_hidden -= self.learning_rate * gradients_biases_in_hidden def train(self, x, y): output, hidden_output = self.forward(x) self.backward(x, y, output, hidden_output) ``` 现在我们将创建一个名为main.py的文件,其中包含我们的主函数。我们将在这里创建我们的BP网络对象,并训练它来适应我们的数据集。我们还将绘制R2图、拟合曲线和输出各输入的权重。 ```python import numpy as np import matplotlib.pyplot as plt from bp_network import BPNetwork # 创建BP网络对象 input_size = 8 hidden_size = 10 output_size = 1 learning_rate = 0.01 lmbda = 0.01 network = BPNetwork(input_size, hidden_size, output_size, learning_rate, lmbda) # 训练网络 num_epochs = 1000 train_loss_history = [] test_loss_history = [] for epoch in range(num_epochs): train_loss = 0.0 for i in range(train_x.shape[0]): x = train_x[i:i+1, :] y = train_y[i:i+1, :] network.train(x, y) output, _ = network.forward(x) train_loss += np.power(output - y, 2) train_loss /= train_x.shape[0] train_loss_history.append(train_loss[0]) test_loss = 0.0 for i in range(test_x.shape[0]): x = test_x[i:i+1, :] y = test_y[i:i+1, :] output, _ = network.forward(x) test_loss += np.power(output - y, 2) test_loss /= test_x.shape[0] test_loss_history.append(test_loss[0]) # 绘制R2图 train_output, _ = network.forward(train_x) test_output, _ = network.forward(test_x) train_r2 = 1 - np.sum(np.power(train_output - train_y, 2)) / np.sum(np.power(train_y - np.mean(train_y), 2)) test_r2 = 1 - np.sum(np.power(test_output - test_y, 2)) / np.sum(np.power(test_y - np.mean(test_y), 2)) print('Train R2:', train_r2) print('Test R2:', test_r2) plt.scatter(train_output, train_y, color='blue') plt.scatter(test_output, test_y, color='red') plt.xlabel('Predicted') plt.ylabel('True') plt.legend(['Train', 'Test']) plt.show() # 绘制拟合曲线 x = np.arange(0, test_x.shape[0]) plt.plot(x, test_output, color='blue') plt.plot(x, test_y, color='red') plt.xlabel('Sample') plt.ylabel('Value') plt.legend(['Predicted', 'True']) plt.show() # 输出各输入的权重 print('Input weights:') for i in range(input_size): print('Input', i, 'weights:', network.weights_in_hidden[i, :]) ``` 这是一个非常基本的模型,可以根据需要进行改进。注意,我们使用了相对较小的学习率和正则化参数,以避免过拟合。如果您的数据集非常大或非常复杂,您可能需要增加这些参数的值。 同时,我们也没有进行超参数调整,比如隐藏层的大小和训练轮数。这也是可以进行改进的点。
阅读全文

相关推荐

最新推荐

recommend-type

MiniGui业务开发基础培训-htk

MiniGui业务开发基础培训-htk
recommend-type

com.harmonyos.exception.DiskReadWriteException(解决方案).md

鸿蒙开发中碰到的报错,问题已解决,写个文档记录一下这个问题及解决方案
recommend-type

网络分析-Wireshark数据包筛选技巧详解及应用实例

内容概要:本文档详细介绍了Wireshark软件中各种数据包筛选规则,主要包括协议、IP地址、端口号、包长以及MAC地址等多个维度的具体筛选方法。同时提供了大量实用案例供读者学习,涵盖HTTP协议相关命令和逻辑条件的综合使用方式。 适合人群:对网络安全或数据分析有一定兴趣的研究者,熟悉基本网络概念和技术的专业人士。 使用场景及目标:适用于需要快速准确捕获特定类型网络流量的情况;如网络安全检测、性能优化分析、教学演示等多种实际应用场景。 阅读建议:本资料侧重于实操技能提升,在学习时最好配合实际操作练习效果更佳。注意掌握不同类型条件组合的高级用法,增强问题解决能力。
recommend-type

com.harmonyos.exception.BatteryOverheatException(解决方案).md

鸿蒙开发中碰到的报错,问题已解决,写个文档记录一下这个问题及解决方案
recommend-type

com.harmonyos.exception.ServiceUnavailableException(解决方案).md

鸿蒙开发中碰到的报错,问题已解决,写个文档记录一下这个问题及解决方案
recommend-type

前端协作项目:发布猜图游戏功能与待修复事项

资源摘要信息:"People-peephole-frontend是一个面向前端开发者的仓库,包含了一个由Rails和IOS团队在2015年夏季亚特兰大Iron Yard协作完成的项目。该仓库中的项目是一个具有特定功能的应用,允许用户通过iPhone或Web应用发布图像,并通过多项选择的方式让用户猜测图像是什么。该项目提供了一个互动性的平台,使用户能够通过猜测来获取分数,正确答案将提供积分,并防止用户对同一帖子重复提交答案。 当前项目存在一些待修复的错误,主要包括: 1. 答案提交功能存在问题,所有答案提交操作均返回布尔值true,表明可能存在逻辑错误或前端与后端的数据交互问题。 2. 猜测功能无法正常工作,这可能涉及到游戏逻辑、数据处理或是用户界面的交互问题。 3. 需要添加计分板功能,以展示用户的得分情况,增强游戏的激励机制。 4. 删除帖子功能存在损坏,需要修复以保证应用的正常运行。 5. 项目的样式过时,需要更新以反映跨所有平台的流程,提高用户体验。 技术栈和依赖项方面,该项目需要Node.js环境和npm包管理器进行依赖安装,因为项目中使用了大量Node软件包。此外,Bower也是一个重要的依赖项,需要通过bower install命令安装。Font-Awesome和Materialize是该项目用到的前端资源,它们提供了图标和界面组件,增强了项目的视觉效果和用户交互体验。 由于本仓库的主要内容是前端项目,因此JavaScript知识在其中扮演着重要角色。开发者需要掌握JavaScript的基础知识,以及可能涉及到的任何相关库或框架,比如用于开发Web应用的AngularJS、React.js或Vue.js。同时,对于iOS开发,可能还会涉及到Swift或Objective-C等编程语言,以及相应的开发工具Xcode。对于Rails,开发者则需要熟悉Ruby编程语言以及Rails框架的相关知识。 开发流程中可能会使用的其他工具包括: - Git:用于版本控制和代码管理。 - HTML/CSS:用于构建网页结构和样式。 - Webpack或Gulp:用于项目构建和优化流程。 - Babel:用于JavaScript代码的兼容性处理。 - Linting工具:如ESLint,用于代码质量检查和维护代码风格一致性。 总结来看,People-peephole-frontend项目不仅涉及到了跨平台协作的经验分享,还提供了前端开发的学习和实践机会,尤其在交互设计、前端工程化、依赖管理及样式设计等方面。开发者可以通过参与该项目的修复和完善工作,提高自身技能并积累宝贵的项目经验。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【高斯信道信号编码优化】:4大方法优化Chirp信号编码过程

![高斯信道下的chirp信号解调](https://img-blog.csdnimg.cn/d37646d14e4e4b51b01e617b59167c74.png) # 1. 高斯信道与Chirp信号编码基础 ## 简介 在现代通信领域,信息的传递无处不在,而保障信息传递的清晰与高效是通信技术的核心挑战之一。高斯信道作为通信系统中最常见和基础的模型,为我们理解和优化信号传输提供了重要的理论支持。Chirp信号,以其独特的频谱扩展特性,在无线通信、雷达和声纳系统中发挥着越来越重要的作用。本章将介绍高斯信道的特性以及Chirp信号的基础知识,为读者搭建起后续章节深入探讨优化方法的理论基础。
recommend-type

对给定图,实现图的深度优先遍历和广度优先遍历。以邻接表或邻接矩阵为存储结构,实现连通无向图的深度优先和广度优先遍历。以用户指定的结点为起点,分别输出每种遍历下的结点访问序列,并调试算法。使用C语言

在C语言中,我们可以使用邻接表或邻接矩阵来存储图的数据结构。这里我将简单介绍如何实现深度优先搜索(DFS)和广度优先搜索(BFS): **使用邻接表实现:** ```c #include <stdio.h> #include <stdlib.h> typedef struct Node { int val; struct Node* next; } Node; // 创建邻接列表表示图 Node* createAdjacencyList(int numNodes) { // 初始化节点数组 Node** adjList = malloc(sizeof(No
recommend-type

Spring框架REST服务开发实践指南

资源摘要信息: "在本教程中,我们将详细介绍如何使用Spring框架来构建RESTful Web服务,提供对Java开发人员的基础知识和学习参考。" 一、Spring框架基础知识 Spring是一个开源的Java/Java EE全功能栈(full-stack)应用程序框架和 inversion of control(IoC)容器。它主要分为以下几个核心模块: - 核心容器:包括Core、Beans、Context和Expression Language模块。 - 数据访问/集成:涵盖JDBC、ORM、OXM、JMS和Transaction模块。 - Web模块:提供构建Web应用程序的Spring MVC框架。 - AOP和Aspects:提供面向切面编程的实现,允许定义方法拦截器和切点来清晰地分离功能。 - 消息:提供对消息传递的支持。 - 测试:支持使用JUnit或TestNG对Spring组件进行测试。 二、构建RESTful Web服务 RESTful Web服务是一种使用HTTP和REST原则来设计网络服务的方法。Spring通过Spring MVC模块提供对RESTful服务的构建支持。以下是一些关键知识点: - 控制器(Controller):处理用户请求并返回响应的组件。 - REST控制器:特殊的控制器,用于创建RESTful服务,可以返回多种格式的数据(如JSON、XML等)。 - 资源(Resource):代表网络中的数据对象,可以通过URI寻址。 - @RestController注解:一个方便的注解,结合@Controller注解使用,将类标记为控制器,并自动将返回的响应体绑定到HTTP响应体中。 - @RequestMapping注解:用于映射Web请求到特定处理器的方法。 - HTTP动词(GET、POST、PUT、DELETE等):在RESTful服务中用于执行CRUD(创建、读取、更新、删除)操作。 三、使用Spring构建REST服务 构建REST服务需要对Spring框架有深入的理解,以及熟悉MVC设计模式和HTTP协议。以下是一些关键步骤: 1. 创建Spring Boot项目:使用Spring Initializr或相关构建工具(如Maven或Gradle)初始化项目。 2. 配置Spring MVC:在Spring Boot应用中通常不需要手动配置,但可以进行自定义。 3. 创建实体类和资源控制器:实体类映射数据库中的数据,资源控制器处理与实体相关的请求。 4. 使用Spring Data JPA或MyBatis进行数据持久化:JPA是一个Java持久化API,而MyBatis是一个支持定制化SQL、存储过程以及高级映射的持久层框架。 5. 应用切面编程(AOP):使用@Aspect注解定义切面,通过切点表达式实现方法的拦截。 6. 异常处理:使用@ControllerAdvice注解创建全局异常处理器。 7. 单元测试和集成测试:使用Spring Test模块进行控制器的测试。 四、学习参考 - 国际奥委会:可能是错误的提及,对于本教程没有相关性。 - AOP:面向切面编程,是Spring的核心功能之一。 - MVC:模型-视图-控制器设计模式,是构建Web应用的常见架构。 - 道:在这里可能指学习之道,或者是学习Spring的原则和最佳实践。 - JDBC:Java数据库连接,是Java EE的一部分,用于在Java代码中连接和操作数据库。 - Hibernate:一个对象关系映射(ORM)框架,简化了数据库访问代码。 - MyBatis:一个半自动化的ORM框架,它提供了更细致的SQL操作方式。 五、结束语 以上内容为《learnSpring:学习春天》的核心知识点,涵盖了从Spring框架的基础知识、RESTful Web服务的构建、使用Spring开发REST服务的方法,以及与学习Spring相关的技术栈介绍。对于想要深入学习Java开发,特别是RESTful服务开发的开发者来说,这是一份非常宝贵的资源。