.使用 Numpy 编写一个神经网络,并开发 BP 算法。两个隐层,第 一个隐层 4 个神经元,第二个隐层 8 个神经元,输入是 4 个神经 元,输出是 2 个神经元。激活函数用 ReLu。并对 data.csv 数据集进 行训练和测试,计算精度。

时间: 2023-11-22 11:56:36 浏览: 77
首先,我们需要导入必要的库。这里,我们需要使用 Numpy 来实现神经网络和 BP 算法,以及 Pandas 来读取数据集。 ```python import numpy as np import pandas as pd ``` 接下来,我们需要定义一些必要的函数。首先是 ReLU 激活函数: ```python def relu(x): return np.maximum(x, 0) ``` 然后是 softmax 函数,用于输出层的多分类问题: ```python def softmax(x): exp_x = np.exp(x) return exp_x / np.sum(exp_x, axis=1, keepdims=True) ``` 接下来,我们需要定义神经网络的结构: ```python class NeuralNetwork: def __init__(self, n_input, n_hidden1, n_hidden2, n_output): self.weights1 = np.random.randn(n_input, n_hidden1) self.biases1 = np.zeros((1, n_hidden1)) self.weights2 = np.random.randn(n_hidden1, n_hidden2) self.biases2 = np.zeros((1, n_hidden2)) self.weights3 = np.random.randn(n_hidden2, n_output) self.biases3 = np.zeros((1, n_output)) ``` 其中,n_input 是输入层的神经元数量,n_hidden1 是第一个隐层的神经元数量,n_hidden2 是第二个隐层的神经元数量,n_output 是输出层的神经元数量。weights1、biases1、weights2、biases2、weights3 和 biases3 分别是第一层、第二层和输出层的权重和偏置。 接下来,我们需要定义前向传播函数: ```python def forward(self, X): self.z1 = np.dot(X, self.weights1) + self.biases1 self.a1 = relu(self.z1) self.z2 = np.dot(self.a1, self.weights2) + self.biases2 self.a2 = relu(self.z2) self.z3 = np.dot(self.a2, self.weights3) + self.biases3 self.y_hat = softmax(self.z3) return self.y_hat ``` 其中,X 是输入数据,self.z1、self.a1、self.z2、self.a2、self.z3 和 self.y_hat 分别是第一层、第二层和输出层的输入、输出和预测结果。这里,我们使用 ReLU 激活函数作为隐层的激活函数,softmax 函数作为输出层的激活函数。 接下来,我们需要定义反向传播函数: ```python def backward(self, X, y, learning_rate): m = X.shape[0] delta_z3 = self.y_hat - y delta_weights3 = np.dot(self.a2.T, delta_z3) / m delta_biases3 = np.sum(delta_z3, axis=0, keepdims=True) / m delta_z2 = np.dot(delta_z3, self.weights3.T) * (self.z2 > 0) delta_weights2 = np.dot(self.a1.T, delta_z2) / m delta_biases2 = np.sum(delta_z2, axis=0, keepdims=True) / m delta_z1 = np.dot(delta_z2, self.weights2.T) * (self.z1 > 0) delta_weights1 = np.dot(X.T, delta_z1) / m delta_biases1 = np.sum(delta_z1, axis=0, keepdims=True) / m self.weights3 -= learning_rate * delta_weights3 self.biases3 -= learning_rate * delta_biases3 self.weights2 -= learning_rate * delta_weights2 self.biases2 -= learning_rate * delta_biases2 self.weights1 -= learning_rate * delta_weights1 self.biases1 -= learning_rate * delta_biases1 ``` 其中,X 是输入数据,y 是对应的标签,learning_rate 是学习率。这里,我们使用交叉熵损失函数,因此求解 delta_z3 时直接使用预测结果和标签之间的差距。 最后,我们需要定义训练函数和测试函数: ```python def train(model, X_train, y_train, epochs, learning_rate): for epoch in range(epochs): y_hat = model.forward(X_train) model.backward(X_train, y_train, learning_rate) if epoch % 100 == 0: loss = -np.sum(y_train * np.log(y_hat)) / len(y_train) print("Epoch {} loss: {:.4f}".format(epoch, loss)) def test(model, X_test, y_test): y_hat = model.forward(X_test) accuracy = np.mean(np.argmax(y_hat, axis=1) == np.argmax(y_test, axis=1)) print("Accuracy: {:.2f}%".format(accuracy * 100)) ``` 其中,model 是神经网络模型,X_train、y_train 是训练数据和标签,X_test、y_test 是测试数据和标签,epochs 是迭代次数,learning_rate 是学习率。这里,我们使用准确率作为评估指标。 现在,我们可以读取数据集并进行训练和测试了。假设数据集保存在 data.csv 文件中: ```python dataset = pd.read_csv("data.csv") X = dataset.iloc[:, :-2].values y = dataset.iloc[:, -2:].values X_train, X_test = X[:80], X[80:] y_train, y_test = y[:80], y[80:] model = NeuralNetwork(4, 4, 8, 2) train(model, X_train, y_train, epochs=1000, learning_rate=0.01) test(model, X_test, y_test) ``` 这里,我们首先读取数据集并将其划分为训练集和测试集。然后,我们定义了一个 4-4-8-2 的神经网络模型,并使用 train 函数进行训练,使用 test 函数进行测试。这里,我们选择了 1000 次迭代和 0.01 的学习率。 完整代码如下:
阅读全文

相关推荐

大家在看

recommend-type

新项目基于YOLOv8的人员溺水检测告警监控系统python源码(精确度高)+模型+评估指标曲线+精美GUI界面.zip

新项目基于YOLOv8的人员溺水检测告警监控系统python源码(精确度高)+模型+评估指标曲线+精美GUI界面.zip 【环境配置】 1、下载安装anaconda、pycharm 2、打开anaconda,在anaconda promt终端,新建一个python3.9的虚拟环境 3、激活该虚拟空间,然后pip install -r requirements.txt,安装里面的软件包 4、识别检测['Drowning', 'Person out of water', 'Swimming'] 【运行操作】 以上环境配置成功后,运行main.py,打开界面,自动加载模型,开始测试即可 可以检测本地图片、视频、摄像头实时画面 【数据集】 本项目使用的数据集下载地址为: https://download.csdn.net/download/DeepLearning_/89398245 【特别强调】 1、csdn上资源保证是完整最新,会不定期更新优化; 2、请用自己的账号在csdn官网下载,若通过第三方代下,博主不对您下载的资源作任何保证,且不提供任何形式的技术支持和答疑!!!
recommend-type

SPiiPlus ACSPL+ Command & Variable Reference Guide.pdf

SPiiPlus ACSPL+驱动器编程命令说明书。驱动器编程命令语言说明。可参看驱动器编程。SPiiPlus ACSPL+ Command & Variable Reference Guide
recommend-type

论文研究 - 基于UPQC的电能质量模糊控制器的实现。

本文介绍了有关统一电能质量调节器(UPQC)的总体检查,以在电气系统的配电级别上激发电能问题。 如今,电力电子研究已经增加了电能质量研究的重要性,对于具体示例,定制功率设备(CPD)和柔性交流输电位置(FACTS)设备而言,这非常重要。 本文提供的方法利用统一电能质量调节器(UPQC)的串联和并联补偿器,在电压波动时与源电流同相注入补偿电压。 基于模糊逻辑控制器,研究了UPQC两种结构在左,右分流(L-UPQC)和右-分流(R-UPQC)的执行情况,以提高单个馈线配电系统的电能质量价值。通过MATLAB / Simulink编程。 这项研究分析了各种电能质量问题。 最后,在此建议的电源系统中,右分流UPQC的性能优于。
recommend-type

ChinaTest2013-测试人的能力和发展-杨晓慧

测试人的能力和发展-杨晓慧(华为)--ChinaTest2013大会主题演讲PPT。
recommend-type

Pattern Recognition and Machine Learning习题答案(英文)

Pattern Recognition and Machine Learning习题答案(英文)

最新推荐

recommend-type

Python实现的三层BP神经网络算法示例

【Python实现的三层BP神经网络...这个Python实现的三层BP神经网络示例,为初学者提供了一个很好的学习平台,理解神经网络的基本结构和工作原理。通过实践,读者可以深入掌握BP算法以及Python编程在神经网络中的应用。
recommend-type

Python:客运量与货运量预测-BP神经网络

本例中,输入层包含三个特征:人口数、机动车数和公路面积,隐含层神经元数量设置为8,使用sigmoid激活函数,其表达式为: \[ O1 = \sigma(a1) = \frac{1}{1 + e^{-w1.x.T+b1}} \] 其中,\( w1 \) 是输入层到隐含...
recommend-type

基于springboot的酒店管理系统源码(java毕业设计完整源码+LW).zip

项目均经过测试,可正常运行! 环境说明: 开发语言:java JDK版本:jdk1.8 框架:springboot 数据库:mysql 5.7/8 数据库工具:navicat 开发软件:eclipse/idea
recommend-type

WildFly 8.x中Apache Camel结合REST和Swagger的演示

资源摘要信息:"CamelEE7RestSwagger:Camel on EE 7 with REST and Swagger Demo" 在深入分析这个资源之前,我们需要先了解几个关键的技术组件,它们是Apache Camel、WildFly、Java DSL、REST服务和Swagger。下面是这些知识点的详细解析: 1. Apache Camel框架: Apache Camel是一个开源的集成框架,它允许开发者采用企业集成模式(Enterprise Integration Patterns,EIP)来实现不同的系统、应用程序和语言之间的无缝集成。Camel基于路由和转换机制,提供了各种组件以支持不同类型的传输和协议,包括HTTP、JMS、TCP/IP等。 2. WildFly应用服务器: WildFly(以前称为JBoss AS)是一款开源的Java应用服务器,由Red Hat开发。它支持最新的Java EE(企业版Java)规范,是Java企业应用开发中的关键组件之一。WildFly提供了一个全面的Java EE平台,用于部署和管理企业级应用程序。 3. Java DSL(领域特定语言): Java DSL是一种专门针对特定领域设计的语言,它是用Java编写的小型语言,可以在Camel中用来定义路由规则。DSL可以提供更简单、更直观的语法来表达复杂的集成逻辑,它使开发者能够以一种更接近业务逻辑的方式来编写集成代码。 4. REST服务: REST(Representational State Transfer)是一种软件架构风格,用于网络上客户端和服务器之间的通信。在RESTful架构中,网络上的每个资源都被唯一标识,并且可以使用标准的HTTP方法(如GET、POST、PUT、DELETE等)进行操作。RESTful服务因其轻量级、易于理解和使用的特性,已经成为Web服务设计的主流风格。 5. Swagger: Swagger是一个开源的框架,它提供了一种标准的方式来设计、构建、记录和使用RESTful Web服务。Swagger允许开发者描述API的结构,这样就可以自动生成文档、客户端库和服务器存根。通过Swagger,可以清晰地了解API提供的功能和如何使用这些API,从而提高API的可用性和开发效率。 结合以上知识点,CamelEE7RestSwagger这个资源演示了如何在WildFly应用服务器上使用Apache Camel创建RESTful服务,并通过Swagger来记录和展示API信息。整个过程涉及以下几个技术步骤: - 首先,需要在WildFly上设置和配置Camel环境,确保Camel能够运行并且可以作为路由引擎来使用。 - 其次,通过Java DSL编写Camel路由,定义如何处理来自客户端的HTTP请求,并根据请求的不同执行相应的业务逻辑。 - 接下来,使用Swagger来记录和描述创建的REST API。这包括定义API的路径、支持的操作、请求参数和响应格式等。 - 最后,通过Swagger提供的工具生成API文档和客户端代码,以及服务器端的存根代码,从而使得开发者可以更加便捷地理解和使用这些RESTful服务。 这个资源的实践演示对于想要学习如何在Java EE平台上使用Camel集成框架,并且希望提供和记录REST服务的开发者来说是非常有价值的。通过这种方式,开发者可以更加快速和简单地创建和管理Web服务,同时也增强了API的可访问性和可维护性。
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

【声子晶体模拟全能指南】:20年经验技术大佬带你从入门到精通

![【声子晶体模拟全能指南】:20年经验技术大佬带你从入门到精通](https://docs.lammps.org/_images/lammps-gui-main.png) # 摘要 声子晶体作为一种具有周期性结构的材料,在声学隐身、微波和红外领域具有广泛的应用潜力。本文从基础理论出发,深入探讨了声子晶体的概念、物理模型和声子带结构的理论解析,同时介绍了声子晶体的数值模拟方法,包括有限元方法(FEM)、离散元方法(DEM)和分子动力学(MD)。本文还提供了一套完整的声子晶体模拟实践指南,涵盖了模拟前的准备工作、详细的模拟步骤以及结果验证和案例分析。此外,文章探讨了声子晶体模拟的高级技巧和拓展
recommend-type

2024-07-27怎么用python转换成农历日期

在Python中,可以使用`lunarcalendar`库来将公历日期转换为农历日期。首先,你需要安装这个库,可以通过pip命令进行安装: ```bash pip install lunarcalendar ``` 安装完成后,你可以使用以下代码将公历日期转换为农历日期: ```python from lunarcalendar import Converter, Solar, Lunar, DateNotExist # 创建一个公历日期对象 solar_date = Solar(2024, 7, 27) # 将公历日期转换为农历日期 try: lunar_date = Co
recommend-type

FDFS客户端Python库1.2.6版本发布

资源摘要信息:"FastDFS是一个开源的轻量级分布式文件系统,它对文件进行管理,功能包括文件存储、文件同步、文件访问等,适用于大规模文件存储和高并发访问场景。FastDFS为互联网应用量身定制,充分考虑了冗余备份、负载均衡、线性扩容等机制,保证系统的高可用性和扩展性。 FastDFS 架构包含两个主要的角色:Tracker Server 和 Storage Server。Tracker Server 作用是负载均衡和调度,它接受客户端的请求,为客户端提供文件访问的路径。Storage Server 作用是文件存储,一个 Storage Server 中可以有多个存储路径,文件可以存储在不同的路径上。FastDFS 通过 Tracker Server 和 Storage Server 的配合,可以完成文件上传、下载、删除等操作。 Python 客户端库 fdfs-client-py 是为了解决 FastDFS 文件系统在 Python 环境下的使用。fdfs-client-py 使用了 Thrift 协议,提供了文件上传、下载、删除、查询等接口,使得开发者可以更容易地利用 FastDFS 文件系统进行开发。fdfs-client-py 通常作为 Python 应用程序的一个依赖包进行安装。 针对提供的压缩包文件名 fdfs-client-py-master,这很可能是一个开源项目库的名称。根据文件名和标签“fdfs”,我们可以推测该压缩包包含的是 FastDFS 的 Python 客户端库的源代码文件。这些文件可以用于构建、修改以及扩展 fdfs-client-py 功能以满足特定需求。 由于“标题”和“描述”均与“fdfs-client-py-master1.2.6.zip”有关,没有提供其它具体的信息,因此无法从标题和描述中提取更多的知识点。而压缩包文件名称列表中只有一个文件“fdfs-client-py-master”,这表明我们目前讨论的资源摘要信息是基于对 FastDFS 的 Python 客户端库的一般性了解,而非基于具体文件内容的分析。 根据标签“fdfs”,我们可以深入探讨 FastDFS 相关的概念和技术细节,例如: - FastDFS 的分布式架构设计 - 文件上传下载机制 - 文件同步机制 - 元数据管理 - Tracker Server 的工作原理 - Storage Server 的工作原理 - 容错和数据恢复机制 - 系统的扩展性和弹性伸缩 在实际使用中,开发者可以通过 fdfs-client-py 库来与 FastDFS 文件系统进行交互,利用其提供的 API 接口实现文件的存储、管理等功能,从而开发出高效、可靠的文件处理应用。开发者可以根据项目的实际需求,选择合适的 FastDFS 版本,并根据官方文档进行安装、配置及优化,确保系统稳定运行。 总的来说,fdfs-client-py 是 FastDFS 文件系统与 Python 应用之间的一座桥梁,它使得开发者能够更加方便地将 FastDFS 集成到基于 Python 开发的应用中,发挥出 FastDFS 在文件管理方面的优势。"
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

传感器集成全攻略:ICM-42688-P运动设备应用详解

![传感器集成全攻略:ICM-42688-P运动设备应用详解](https://static.mianbaoban-assets.eet-china.com/xinyu-images/MBXY-CR-ba33fcfbde1d1207d7b8fe45b6ea58d0.png) # 摘要 ICM-42688-P传感器作为一种先进的惯性测量单元,广泛应用于多种运动设备中。本文首先介绍了ICM-42688-P传感器的基本概述和技术规格,然后深入探讨了其编程基础,包括软件接口、数据读取处理及校准测试。接着,本文详细分析了该传感器在嵌入式系统、运动控制和人机交互设备中的实践应用,并且探讨了高级功能开发,