神经网络python代码实现

以下是一个简单的神经网络的 Python 代码实现示例：

import numpy as np

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size

        # 初始化权重和偏置
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.b1 = np.zeros((1, self.hidden_size))
        self.W2 = np.random.randn(self.hidden_size, self.output_size)
        self.b2 = np.zeros((1, self.output_size))

    # 定义前向传播函数
    def forward(self, X):
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = np.tanh(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        y_hat = np.exp(self.z2) / np.sum(np.exp(self.z2), axis=1, keepdims=True)
        return y_hat

    # 定义反向传播函数
    def backward(self, X, y, y_hat, learning_rate):
        delta3 = y_hat
        delta3[range(len(X)), y] -= 1
        delta2 = np.dot(delta3, self.W2.T) * (1 - np.power(self.a1, 2))
        dW2 = np.dot(self.a1.T, delta3)
        db2 = np.sum(delta3, axis=0, keepdims=True)
        dW1 = np.dot(X.T, delta2)
        db1 = np.sum(delta2, axis=0)
        self.W2 -= learning_rate * dW2
        self.b2 -= learning_rate * db2
        self.W1 -= learning_rate * dW1
        self.b1 -= learning_rate * db1

    # 定义训练函数
    def train(self, X, y, num_epochs, learning_rate):
        for epoch in range(num_epochs):
            y_hat = self.forward(X)
            self.backward(X, y, y_hat, learning_rate)

    # 定义预测函数
    def predict(self, X):
        y_hat = self.forward(X)
        return np.argmax(y_hat, axis=1)

在此示例中，我们定义了一个三层神经网络，用于分类任务。`__init__` 函数初始化了神经网络的权重和偏置。`forward` 函数执行前向传播，返回预测值 `y_hat`。`backward` 函数执行反向传播，更新权重和偏置。`train` 函数用于训练神经网络，`predict` 函数用于预测结果。

使用示例：

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

nn = NeuralNetwork(2, 4, 2)
nn.train(X, y, num_epochs=10000, learning_rate=0.1)

predictions = nn.predict(X)
print(predictions)  # 输出预测结果

在此示例中，我们使用 XOR 数据集进行分类。首先，我们定义输入和目标输出。然后，我们初始化神经网络，并使用 `train` 函数训练它。最后，我们使用 `predict` 函数预测结果，并输出预测结果。