用Python写出BP神经网络求函数极值的代码

以下是使用Python编写BP神经网络求函数极值的代码示例:

import numpy as np

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

# 求导数
def derivative_sigmoid(x):
    return sigmoid(x) * (1 - sigmoid(x))

# BP神经网络
class BPNeuralNetwork():
    def __init__(self):
        np.random.seed(1)
        self.weights = 2 * np.random.random((1, 4)) - 1
        self.bias = 2 * np.random.random((1, 1)) - 1

    def train(self, inputs, outputs, iterations):
        for iteration in range(iterations):
            # 前向传播
            layer_1 = sigmoid(np.dot(inputs, self.weights) + self.bias)
            # 反向传播
            error = outputs - layer_1
            adjust = error * derivative_sigmoid(layer_1)
            self.weights += np.dot(inputs.T, adjust)
            self.bias += np.sum(adjust, axis=0, keepdims=True)

    def predict(self, inputs):
        return sigmoid(np.dot(inputs, self.weights) + self.bias)

# 测试代码
if __name__ == "__main__":
    # 设置参数
    X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
    y = np.array([[0, 0, 1, 1]]).T
    iterations = 10000
    learning_rate = 0.1

    # 训练模型
    nn = BPNeuralNetwork()
    nn.train(X, y, iterations)

    # 预测结果
    test_inputs = np.array([[1, 1, 0]])
    print("Predicted Output: ", nn.predict(test_inputs))

应该注意的是，这只是一个简单的示例。在实际应用中，可能需要使用更复杂的网络结构和算法来解决更复杂的问题。