写一个RNN神经网络模型
时间: 2024-02-13 08:57:38 浏览: 19
好的,下面是一个简单的RNN神经网络模型的代码示例:
```python
import numpy as np
# 定义sigmoid函数
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# 定义RNN类
class RNN:
def __init__(self, input_size, hidden_size, output_size):
# 初始化权重矩阵
self.Wxh = np.random.randn(hidden_size, input_size) * 0.01
self.Whh = np.random.randn(hidden_size, hidden_size) * 0.01
self.Why = np.random.randn(output_size, hidden_size) * 0.01
self.bh = np.zeros((hidden_size, 1))
self.by = np.zeros((output_size, 1))
def forward(self, inputs):
# 初始化隐藏状态
h = np.zeros((self.Whh.shape[0], 1))
# 存储每个时间步的隐藏状态和输出
hs, ys = [], []
for x in inputs:
# 计算隐藏状态
h = np.tanh(np.dot(self.Wxh, x) + np.dot(self.Whh, h) + self.bh)
# 计算输出
y = np.dot(self.Why, h) + self.by
# 将隐藏状态和输出存储起来
hs.append(h)
ys.append(y)
# 返回所有时间步的隐藏状态和输出
return hs, ys
# 测试代码
input_size = 3
hidden_size = 4
output_size = 2
rnn = RNN(input_size, hidden_size, output_size)
inputs = [np.random.randn(input_size, 1) for _ in range(5)]
hs, ys = rnn.forward(inputs)
print(hs)
print(ys)
```
这个RNN模型使用numpy实现,包含一个RNN类和一个sigmoid函数。在RNN类的初始化函数中,我们初始化了权重矩阵和偏置向量。在forward函数中,我们使用循环计算每个时间步的隐藏状态和输出,并将它们存储起来。最后,我们返回所有时间步的隐藏状态和输出。