双隐含层bp神经网络代码

双隐含层的BP神经网络是一种具有两个隐藏层的反向传播神经网络。在神经网络模型中，隐藏层是介于输入层和输出层之间的层次，用于提取输入数据的特征和进行数据的非线性映射。

以下是一个使用Python编写的双隐含层BP神经网络的简单代码示例：

import numpy as np

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

def derivative_sigmoid(x):
    return sigmoid(x) * (1 - sigmoid(x))

class NeuralNetwork:
    def __init__(self, input_size, hidden_size1, hidden_size2, output_size):
        self.input_size = input_size
        self.hidden_size1 = hidden_size1
        self.hidden_size2 = hidden_size2
        self.output_size = output_size
        
        # 随机初始化权重和偏置
        self.W1 = np.random.randn(self.input_size, self.hidden_size1)
        self.b1 = np.zeros((1, self.hidden_size1))
        self.W2 = np.random.randn(self.hidden_size1, self.hidden_size2)
        self.b2 = np.zeros((1, self.hidden_size2))
        self.W3 = np.random.randn(self.hidden_size2, self.output_size)
        self.b3 = np.zeros((1, self.output_size))
    
    def feedforward(self, X):
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = sigmoid(self.z2)
        self.z3 = np.dot(self.a2, self.W3) + self.b3
        self.a3 = sigmoid(self.z3)
        
        return self.a3
    
    def backpropagation(self, X, y, learning_rate):
        m = X.shape[0]
        
        # 计算输出层的误差
        delta3 = (self.a3 - y) * derivative_sigmoid(self.z3)
        
        # 计算隐藏层2的误差
        delta2 = np.dot(delta3, self.W3.T) * derivative_sigmoid(self.z2)
        
        # 计算隐藏层1的误差
        delta1 = np.dot(delta2, self.W2.T) * derivative_sigmoid(self.z1)
        
        # 更新权重和偏置
        self.W3 -= learning_rate * np.dot(self.a2.T, delta3)
        self.b3 -= learning_rate * np.sum(delta3, axis=0, keepdims=True)
        self.W2 -= learning_rate * np.dot(self.a1.T, delta2)
        self.b2 -= learning_rate * np.sum(delta2, axis=0, keepdims=True)
        self.W1 -= learning_rate * np.dot(X.T, delta1)
        self.b1 -= learning_rate * np.sum(delta1, axis=0, keepdims=True)
    
    def train(self, X, y, epochs, learning_rate):
        for epoch in range(epochs):
            output = self.feedforward(X)
            self.backpropagation(X, y, learning_rate)
            
    def predict(self, X):
        return np.round(self.feedforward(X))

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

# 创建神经网络对象
nn = NeuralNetwork(2, 4, 4, 1)

# 训练神经网络
nn.train(X, y, epochs=10000, learning_rate=0.1)

# 预测结果
print(nn.predict(X))

以上代码实现了一个有两个隐藏层的BP神经网络。其中，`__init__`函数用于初始化权重和偏置，`feedforward`函数用于前向传播计算输出，`backpropagation`函数用于反向传播计算梯度并更新参数，`train`函数用于模型训练，`predict`函数用于预测输出结果。

这段代码中的示例数据是一个XOR逻辑门的输入和期望输出，模型通过训练来逼近期望输出。通过运行这段代码，可以看到神经网络最终得到的输出结果接近期望输出。