神经网络回归代码怎么写

以下是一个简单的神经网络回归代码示例：

import numpy as np

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.weights1 = np.random.randn(input_size, hidden_size)
        self.bias1 = np.zeros((1, hidden_size))
        self.weights2 = np.random.randn(hidden_size, output_size)
        self.bias2 = np.zeros((1, output_size))
        
    # 定义前向传播函数
    def forward(self, X):
        self.z1 = np.dot(X, self.weights1) + self.bias1
        self.a1 = np.tanh(self.z1)
        self.z2 = np.dot(self.a1, self.weights2) + self.bias2
        self.y_hat = self.z2
        
        return self.y_hat
    
    # 定义反向传播函数
    def backward(self, X, y, y_hat, learning_rate):
        delta2 = y_hat - y
        delta1 = (1 - np.power(self.a1, 2)) * np.dot(delta2, self.weights2.T)
        
        d_weights2 = np.dot(self.a1.T, delta2)
        d_bias2 = np.sum(delta2, axis=0, keepdims=True)
        d_weights1 = np.dot(X.T, delta1)
        d_bias1 = np.sum(delta1, axis=0)
        
        self.weights2 -= learning_rate * d_weights2
        self.bias2 -= learning_rate * d_bias2
        self.weights1 -= learning_rate * d_weights1
        self.bias1 -= learning_rate * d_bias1

# 定义数据集
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([[3], [7], [11], [15]])

# 初始化神经网络
nn = NeuralNetwork(2, 3, 1)

# 训练神经网络
for i in range(10000):
    y_hat = nn.forward(X)
    nn.backward(X, y, y_hat, 0.01)

# 测试神经网络
test = np.array([[2, 3], [4, 5], [6, 7]])
result = nn.forward(test)
print(result)

在上面的代码中，我们首先定义了一个`NeuralNetwork`类，它包含了神经网络的权重和偏置，并且定义了前向传播和反向传播函数。

然后我们定义了一个简单的数据集`X`和`y`，并初始化了神经网络`nn`。

在训练过程中，我们使用`forward`函数进行前向传播，得到预测值`y_hat`，然后使用`backward`函数进行反向传播，更新权重和偏置。

最后，我们使用训练好的神经网络进行测试，输入测试数据`test`，得到预测结果`result`。