bp神经网络多输出python

以下是使用Python实现BP神经网络多输出的示例代码：

import numpy as np

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

# 定义BP神经网络类
class BPNN:
    def __init__(self, input_dim, hidden_dim, output_dim):
        # 输入层、隐藏层、输出层的维度
        self.input_dim = input_dim
        self.hidden_dim = hidden_dim
        self.output_dim = output_dim
        
        # 初始化权重参数
        self.w1 = np.random.randn(self.input_dim, self.hidden_dim)
        self.b1 = np.zeros((1, self.hidden_dim))
        self.w2 = np.random.randn(self.hidden_dim, self.output_dim)
        self.b2 = np.zeros((1, self.output_dim))
        
    # 前向传播
    def forward(self, X):
        # 输入层到隐藏层
        self.z1 = np.dot(X, self.w1) + self.b1
        self.a1 = sigmoid(self.z1)
        
        # 隐藏层到输出层
        self.z2 = np.dot(self.a1, self.w2) + self.b2
        self.a2 = sigmoid(self.z2)
        
        return self.a2
    
    # 反向传播
    def backward(self, X, y, lr):
        # 计算输出误差
        delta2 = (self.a2 - y) * self.a2 * (1 - self.a2)
        
        # 计算隐藏层误差
        delta1 = np.dot(delta2, self.w2.T) * self.a1 * (1 - self.a1)
        
        # 更新权重参数
        self.w2 -= lr * np.dot(self.a1.T, delta2)
        self.b2 -= lr * np.sum(delta2, axis=0, keepdims=True)
        self.w1 -= lr * np.dot(X.T, delta1)
        self.b1 -= lr * np.sum(delta1, axis=0)
        
    # 训练模型
    def train(self, X, y, lr, epochs):
        for i in range(epochs):
            # 前向传播
            output = self.forward(X)
            
            # 反向传播
            self.backward(X, y, lr)
            
            # 计算损失
            loss = np.mean(np.square(output - y))
            
            if i % 1000 == 0:
                print("Epoch {}/{}, Loss: {:.4f}".format(i, epochs, loss))

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

nn = BPNN(2, 4, 2)
nn.train(X, y, 0.1, 10000)

print("Input: \n{}\n".format(X))
print("Output: \n{}\n".format(nn.forward(X)))

在上面的示例代码中，我们定义了BP神经网络类，并实现了前向传播、反向传播和训练过程。在训练过程中，我们使用平方误差作为损失函数，使用随机梯度下降法来更新权重参数。最后，我们对模型进行了简单的测试，输出了模型的预测结果。