bp神经网络python代码

以下是一个简单的Python实现的BP神经网络代码：

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
        
        # 初始化权重和偏置
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.b1 = np.random.randn(self.hidden_size)
        self.W2 = np.random.randn(self.hidden_size, self.output_size)
        self.b2 = np.random.randn(self.output_size)
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))

    def sigmoid_derivative(self, x):
        return x * (1 - x)
    
    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = self.sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.y_hat = self.sigmoid(self.z2)
        return self.y_hat

    def backward(self, X, y, y_hat, learning_rate):
        # 反向传播
        error = y - y_hat
        delta_output = error * self.sigmoid_derivative(y_hat)
        error_hidden = np.dot(delta_output, self.W2.T)
        delta_hidden = error_hidden * self.sigmoid_derivative(self.a1)
        
        self.W2 += learning_rate * np.dot(self.a1.T, delta_output)
        self.b2 += learning_rate * np.sum(delta_output, axis=0)
        self.W1 += learning_rate * np.dot(X.T, delta_hidden)
        self.b1 += learning_rate * np.sum(delta_hidden, axis=0)

    def train(self, X, y, epochs, learning_rate):
        for i in range(epochs):
            y_hat = self.forward(X)
            self.backward(X, y, y_hat, learning_rate)

    def predict(self, X):
        y_hat = self.forward(X)
        return y_hat.argmax(axis=1)

这个代码实现了一个包含一个隐藏层的全连接的BP神经网络。其中，`forward()`方法执行前向传播，`backward()`方法执行反向传播，`train()`方法训练网络，`predict()`方法用于预测。

在训练网络之前，需要先初始化一个`NeuralNetwork`对象，并指定输入层、隐藏层和输出层的大小。例如，对于一个二分类问题，输入层大小为2，隐藏层大小为4，输出层大小为1，可以这样初始化：

nn = NeuralNetwork(input_size=2, hidden_size=4, output_size=1)

然后，可以使用`train()`方法训练网络。`train()`方法需要传入训练数据、目标数据、迭代次数和学习率。例如，对于一个数据集`X`和目标值`y`，可以这样训练网络：

nn.train(X, y, epochs=1000, learning_rate=0.1)

最后，可以使用`predict()`方法对新的数据进行分类。例如，对于一个数据集`X_test`，可以这样预测：

y_pred = nn.predict(X_test)