写一个BP神经网络模型的代码

好的，以下是一个简单的BP神经网络模型的代码，它包括了前向传播和反向传播过程：

import numpy as np

class BPNeuralNetwork:
    def __init__(self, input_shape, hidden_shape, output_shape):
        self.input_shape = input_shape
        self.hidden_shape = hidden_shape
        self.output_shape = output_shape
        
        # 初始化权重矩阵
        self.weights_ih = np.random.randn(self.input_shape, self.hidden_shape)
        self.weights_ho = np.random.randn(self.hidden_shape, self.output_shape)
        
        # 初始化偏置向量
        self.bias_h = np.zeros((1, self.hidden_shape))
        self.bias_o = np.zeros((1, self.output_shape))
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(self, x):
        return x * (1 - x)
    
    def forward(self, X):
        # 前向传播过程
        self.hidden_layer = self.sigmoid(np.dot(X, self.weights_ih) + self.bias_h)
        self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.weights_ho) + self.bias_o)
        return self.output_layer
    
    def backward(self, X, y, output):
        # 反向传播过程
        error_output = y - output
        delta_output = error_output * self.sigmoid_derivative(output)
        
        error_hidden = delta_output.dot(self.weights_ho.T)
        delta_hidden = error_hidden * self.sigmoid_derivative(self.hidden_layer)
        
        self.weights_ho += self.hidden_layer.T.dot(delta_output)
        self.weights_ih += X.T.dot(delta_hidden)
        
        self.bias_o += np.sum(delta_output, axis=0)
        self.bias_h += np.sum(delta_hidden, axis=0)
    
    def train(self, X, y, epochs):
        for i in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output)

在使用该类时，我们需要指定输入层、隐藏层和输出层的节点数，以及训练数据和训练轮数。例如，我们可以这样使用：

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

model = BPNeuralNetwork(input_shape=2, hidden_shape=4, output_shape=1)

model.train(X, y, epochs=10000)

print(model.forward(X))

这个例子是一个简单的异或门问题，我们可以看到，经过10000轮训练后，神经网络模型可以正确地预测出每个输入的输出。