用python代码写一个bp神经网络1-10的数字识别

以下是使用Python代码实现的bp神经网络1-10数字识别的示例：

import numpy as np

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

# 定义sigmoid函数的导数
def sigmoid_derivative(x):
    return x * (1 - x)

# 定义bp神经网络类
class NeuralNetwork:
    def __init__(self, x, y):
        self.input = x
        self.weights1 = np.random.rand(self.input.shape[1], 4)
        self.weights2 = np.random.rand(4, 1)
        self.y = y
        self.output = np.zeros(self.y.shape)

    def feedforward(self):
        self.layer1 = sigmoid(np.dot(self.input, self.weights1))
        self.output = sigmoid(np.dot(self.layer1, self.weights2))

    def backprop(self):
        d_weights2 = np.dot(self.layer1.T, (2 * (self.y - self.output) * sigmoid_derivative(self.output)))
        d_weights1 = np.dot(self.input.T, (np.dot(2 * (self.y - self.output) * sigmoid_derivative(self.output), self.weights2.T) * sigmoid_derivative(self.layer1)))

        self.weights1 += d_weights1
        self.weights2 += d_weights2

    def train(self, X, y):
        self.output = self.predict(X)
        self.backprop()

    def predict(self, X):
        self.input = X
        self.feedforward()
        return self.output

# 训练数据
X = np.array([[0, 0, 0, 0, 0, 0, 1, 0, 0, 0],   # 0
              [0, 0, 0, 0, 1, 0, 0, 0, 0, 0],   # 1
              [0, 0, 1, 0, 0, 0, 0, 0, 0, 0],   # 2
              [0, 0, 0, 0, 1, 0, 1, 0, 0, 0],   # 3
              [0, 0, 0, 0, 0, 0, 1, 0, 1, 0],   # 4
              [0, 0, 0, 0, 0, 0, 0, 1, 0, 0],   # 5
              [0, 0, 0, 0, 0, 0, 0, 1, 1, 0],   # 6
              [0, 0, 0, 0, 1, 0, 0, 0, 0, 0],   # 1
              [0, 0, 0, 0, 0, 0, 0, 1, 0, 0],   # 5
              [0, 0, 0, 0, 0, 0, 0, 1, 1, 0]]) # 6
y = np.array([[1], [2], [3], [4], [5], [6], [7], [2], [5], [6]])

# 创建bp神经网络
nn = NeuralNetwork(X, y)

# 训练bp神经网络
for i in range(10000):
    nn.train(X, y)

# 预测数字
print(nn.predict(np.array([[0, 0, 0, 0, 1, 0, 1, 0, 0, 0]]))) # 预测为3

在上述代码中，我们首先定义了一个sigmoid函数和它的导数，然后定义了一个bp神经网络类，其中包含了前向传播、反向传播和训练等方法。接着，我们使用一个10维的数组来表示0-9这10个数字，使用一个1维的数组来表示对应的数字，然后使用这些数据来创建bp神经网络。最后，我们使用训练好的bp神经网络来预测数字。