bp神经网络回归python

好的，您想了解如何使用 Python 实现 BP 神经网络进行回归任务。下面是一个简单的示例代码：

import numpy as np

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

# BP 神经网络类
class BPNeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重和偏置
        self.weights1 = np.random.randn(input_size, hidden_size)
        self.bias1 = np.zeros((1, hidden_size))
        self.weights2 = np.random.randn(hidden_size, output_size)
        self.bias2 = np.zeros((1, output_size))

    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.weights1) + self.bias1
        self.a1 = sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.weights2) + self.bias2
        self.y_hat = self.z2
        return self.y_hat

    def backward(self, X, y, y_hat, learning_rate):
        # 反向传播
        delta3 = y_hat - y
        dweights2 = np.dot(self.a1.T, delta3)
        dbias2 = np.sum(delta3, axis=0, keepdims=True)
        delta2 = np.dot(delta3, self.weights2.T) * sigmoid(self.z1) * (1 - sigmoid(self.z1))
        dweights1 = np.dot(X.T, delta2)
        dbias1 = np.sum(delta2, axis=0)

        # 更新权重和偏置
        self.weights2 -= learning_rate * dweights2
        self.bias2 -= learning_rate * dbias2
        self.weights1 -= learning_rate * dweights1
        self.bias1 -= learning_rate * dbias1

    def train(self, X, y, learning_rate, epochs):
        # 训练模型
        for i in range(epochs):
            y_hat = self.forward(X)
            self.backward(X, y, y_hat, learning_rate)
            loss = np.mean(np.square(y_hat - y))
            if i % 100 == 0:
                print(f"Epoch {i}, Loss: {loss:.4f}")

# 测试数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# 创建 BP 神经网络实例
nn = BPNeuralNetwork(2, 4, 1)

# 训练模型
nn.train(X, y, 0.1, 1000)

# 预测结果
y_pred = nn.forward(X)
print(y_pred)

在上面的代码中，我们首先定义了 sigmoid 激活函数。然后定义了一个 BPNeuralNetwork 类，该类包含初始化权重和偏置、前向传播、反向传播和训练模型等方法。在训练模型方法中，我们使用了均方误差作为损失函数，并使用梯度下降法更新权重和偏置。最后，我们使用训练好的模型进行预测并输出结果。