def train(self, training_inputs,training_results, epochs,test_data): #for (x,y) in training_data: training_inputs = list(training_inputs) training_results = list(training_results) self.y_real = training_results # 将训练数据集强转为list n = len(training_inputs) #n=50000 print(n) for j in range(epochs): self.forwardPropagation(training_inputs[j]) self.backwardPropagation(training_results[j]) # 调用梯度下降算法 if j%100 ==0: self.printResult(j) if test_data: # 如果有测试数据集 test_data = list(test_data) # 将测试数据集强转为list n_test = len(test_data) print("Epoch {} : {} / {}".format(j, self.evaluate(test_data), n_test)); # j为迭代期序号 # evaluate(test_data)为测试通过的数据个数 # n_test为测试数据集的大小 else: print("Epoch {} complete".format(j))

这段代码定义了神经网络类的训练方法"train"。它接受四个参数：训练数据集"training_inputs"、训练标签集"training_results"、训练轮数"epochs"和测试数据集"test_data"。

首先，将训练数据集和训练标签集强制转换为列表类型，并将训练标签集赋值给神经网络对象的"y_real"属性。

然后，使用循环进行模型训练，循环次数为"epochs"。在每次循环中，首先调用"forwardPropagation"方法，将当前训练数据集中的第"j"个数据传入神经网络，进行前向传播计算，得到神经网络的预测结果。然后调用"backwardPropagation"方法，进行反向传播计算，更新神经网络中各层的权重和偏置。接下来，根据训练轮数来判断是否需要打印训练结果。如果训练轮数可以被100整除，就调用"printResult"方法打印神经网络的预测结果和实际结果。最后，如果存在测试数据集"test_data"，就将测试数据集强制转换为列表类型，并计算测试数据集的大小"n_test"。然后调用"evaluate"方法，计算测试数据集中预测正确的数据个数，并打印出当前训练轮数、测试通过的数据个数和测试数据集的大小。如果没有测试数据集，就只打印当前训练轮数。这样，整个模型训练的过程就完成了。