三个输出的bp网络代码

下面是一个简单的使用反向传播算法的的三层全连接网络的Python代码示例：

import numpy as np

class BPNeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size

        self.weights1 = np.random.randn(input_size, hidden_size)
        self.bias1 = np.random.randn(hidden_size)
        self.weights2 = np.random.randn(hidden_size, output_size)
        self.bias2 = np.random.randn(output_size)

    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))

    def sigmoid_derivative(self, x):
        return x * (1 - x)

    def forward_propagate(self, X):
        self.hidden_layer = self.sigmoid(np.dot(X, self.weights1) + self.bias1)
        self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.weights2) + self.bias2)
        return self.output_layer

    def back_propagate(self, X, y, output):
        error = y - output
        d_output = error * self.sigmoid_derivative(output)

        error_hidden = d_output.dot(self.weights2.T)
        d_hidden = error_hidden * self.sigmoid_derivative(self.hidden_layer)

        self.weights2 += self.hidden_layer.T.dot(d_output)
        self.bias2 += np.sum(d_output, axis=0)
        self.weights1 += X.T.dot(d_hidden)
        self.bias1 += np.sum(d_hidden, axis=0)

    def train(self, X, y, iterations):
        for i in range(iterations):
            output = self.forward_propagate(X)
            self.back_propagate(X, y, output)

    def predict(self, X):
        return self.forward_propagate(X)

# 以下是一个使用示例：

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

nn = BPNeuralNetwork(2, 2, 1)
nn.train(X, y, 10000)

print("预测结果：")
print(nn.predict(X))

这个代码实现了一个具有两个输入神经元，两个隐藏神经元和一个输出神经元的三层全连接神经网络。在构造函数中初始化了网络的权重和偏置，并定义了sigmoid激活函数及其导数。`forward_propagate`函数用于前向传播，计算网络的输出。`back_propagate`函数用于反向传播，更新网络的权重和偏置。`train`函数用于训练网络，根据输入数据X和标签y进行多次迭代的前向传播和反向传播。`predict`函数用于预测新的输入数据的输出值。最后，使用X和y训练了10000次，并通过`nn.predict(X)`进行了预测。