单层神经网络python代码实现

以下是一个简单的单层神经网络的 Python 代码实现：

import numpy as np

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

# 定义单层神经网络类
class SingleLayerPerceptron:
    def __init__(self, input_size, output_size):
        self.weights = np.random.randn(input_size, output_size)
        self.bias = np.random.randn(output_size)
        
    def forward(self, inputs):
        self.inputs = inputs
        self.output = sigmoid(np.dot(inputs, self.weights) + self.bias)
        return self.output
    
    def backward(self, error):
        # 计算权重和偏差的梯度
        d_weights = np.dot(self.inputs.T, error * self.output * (1 - self.output))
        d_bias = np.sum(error * self.output * (1 - self.output), axis=0)
        
        # 更新权重和偏差
        self.weights -= d_weights
        self.bias -= d_bias
        
        # 返回输入误差
        return np.dot(error * self.output * (1 - self.output), self.weights.T)

在这个代码中，我们首先定义了 sigmoid 函数，然后定义了一个名为 SingleLayerPerceptron 的单层神经网络类。在类的初始化方法中，我们随机初始化了权重和偏差。在前向传播方法 forward 中，我们首先将输入保存到 self.inputs 中，然后通过 np.dot 方法计算输入与权重的乘积，加上偏差，再将结果输入到 sigmoid 函数中得到输出。在反向传播方法 backward 中，我们首先计算误差对权重和偏差的梯度，然后用梯度更新权重和偏差，最后返回输入误差。