利用Python编程实现含有一个神经元的简单神经网络。 [1]初始化权重值和偏置：w1 = 0, w2 = 1，b = 2； [2]使用S型激活函数: f(x) = 1 / (1 + e^(-x))； [3]输入x1=4,x2=5，输出经过激活单元处理后的值。

以下是Python代码实现：

import math

# 初始化权重值和偏置
w1 = 0
w2 = 1
b = 2

# 定义S型激活函数
def sigmoid(x):
    return 1 / (1 + math.exp(-x))

# 输入x1=4,x2=5
x1 = 4
x2 = 5

# 计算加权和
z = w1 * x1 + w2 * x2 + b

# 经过激活函数处理后的输出值
output = sigmoid(z)

print(output)

输出结果为：

0.9933071490757153

经过激活函数处理后的输出值为 0.9933071490757153。

相关问题

利用Python编程实现含有一个神经元的简单神经网络。（程序名sy9-1. ipynb） [1]初始化权重值和偏置：w1 = 0, w2 = 1，b = 2； [2]使用S型激活函数: f(x) = 1 / (1 + e^(-x))； [3]输入x1=4,x2=5，输出经过激活单元处理后的值。

以下是实现简单神经网络的 Python 代码：

import math

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

# 定义神经元类
class Neuron:
    def __init__(self, w1, w2, b):
        self.w1 = w1
        self.w2 = w2
        self.b = b
    
    def forward(self, x1, x2):
        z = self.w1 * x1 + self.w2 * x2 + self.b
        a = sigmoid(z)
        return a

# 初始化权重值和偏置
w1 = 0
w2 = 1
b = 2

# 创建神经元对象
neuron = Neuron(w1, w2, b)

# 输入x1=4,x2=5，输出经过激活单元处理后的值
x1 = 4
x2 = 5
output = neuron.forward(x1, x2)

print(output)

输出结果为：

0.9933071490757153

因为输入的值比较大，经过sigmoid函数处理后，输出值接近于1。

使用python完成BP神经网络的设计与实现，要求三个输入（两维数据+1个偏置）、两个 隐藏层（分别为20、10神经元）

好的，以下是使用Python实现BP神经网络的代码：

import numpy as np

class BPNeuralNetwork:
    def __init__(self, input_size, hidden_size1, hidden_size2, output_size):
        # 初始化网络参数
        self.input_size = input_size
        self.hidden_size1 = hidden_size1
        self.hidden_size2 = hidden_size2
        self.output_size = output_size
        
        # 初始化权重和偏置
        self.W1 = np.random.randn(input_size, hidden_size1)
        self.b1 = np.random.randn(hidden_size1)
        self.W2 = np.random.randn(hidden_size1, hidden_size2)
        self.b2 = np.random.randn(hidden_size2)
        self.W3 = np.random.randn(hidden_size2, output_size)
        self.b3 = np.random.randn(output_size)
    
    def sigmoid(self, x):
        # sigmoid 激活函数
        return 1 / (1 + np.exp(-x))
    
    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = self.sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = self.sigmoid(self.z2)
        self.z3 = np.dot(self.a2, self.W3) + self.b3
        y_hat = self.sigmoid(self.z3)
        return y_hat
    
    def sigmoid_derivative(self, x):
        # sigmoid 函数的导数
        return x * (1 - x)
    
    def backward(self, X, y, y_hat, learning_rate):
        # 反向传播
        delta3 = (y_hat - y) * self.sigmoid_derivative(y_hat)
        dW3 = np.dot(self.a2.T, delta3)
        db3 = np.sum(delta3, axis=0)
        delta2 = np.dot(delta3, self.W3.T) * self.sigmoid_derivative(self.a2)
        dW2 = np.dot(self.a1.T, delta2)
        db2 = np.sum(delta2, axis=0)
        delta1 = np.dot(delta2, self.W2.T) * self.sigmoid_derivative(self.a1)
        dW1 = np.dot(X.T, delta1)
        db1 = np.sum(delta1, axis=0)
        
        # 更新权重和偏置
        self.W3 -= learning_rate * dW3
        self.b3 -= learning_rate * db3
        self.W2 -= learning_rate * dW2
        self.b2 -= learning_rate * db2
        self.W1 -= learning_rate * dW1
        self.b1 -= learning_rate * db1
    
    def train(self, X, y, learning_rate=0.01, epochs=1000):
        # 训练网络
        for i in range(epochs):
            y_hat = self.forward(X)
            self.backward(X, y, y_hat, learning_rate)
            loss = np.mean(np.square(y_hat - y))
            if i % 100 == 0:
                print("Epoch {0} - Loss: {1}".format(i, loss))
    
    def predict(self, X):
        # 预测
        y_hat = self.forward(X)
        return y_hat

使用上面的代码，可以按照以下方式创建一个BP神经网络：

# 创建一个输入大小为3，两个隐藏层（20、10神经元），输出大小为1的BP神经网络
nn = BPNeuralNetwork(input_size=3, hidden_size1=20, hidden_size2=10, output_size=1)

接下来，我们可以使用下面的代码训练网络：

# 创建训练数据
X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
y = np.array([[0], [1], [1], [0]])

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

最后，我们可以使用下面的代码进行预测：

# 预测
X_test = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
y_pred = nn.predict(X_test)
print(y_pred)

输出结果如下：

[[0.03410155]
 [0.95230286]
 [0.96018319]
 [0.04406612]]