神经网络python代码

以下是一个简单的神经网络的Python代码：

import numpy as np

# 定义神经网络结构
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
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.W2 = np.random.randn(self.hidden_size, self.output_size)

    # 前向传播
    def forward(self, X):
        self.z1 = np.dot(X, self.W1)
        self.a1 = self.sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2)
        y_hat = self.sigmoid(self.z2)
        return y_hat

    # 反向传播
    def backward(self, X, y, y_hat, lr):
        delta2 = (y_hat - y) * self.sigmoid_derivative(self.z2)
        dW2 = np.dot(self.a1.T, delta2)
        delta1 = np.dot(delta2, self.W2.T) * self.sigmoid_derivative(self.z1)
        dW1 = np.dot(X.T, delta1)

        self.W2 -= lr * dW2
        self.W1 -= lr * dW1

    # sigmoid激活函数
    def sigmoid(self, z):
        return 1 / (1 + np.exp(-z))

    # sigmoid激活函数的导数
    def sigmoid_derivative(self, z):
        return self.sigmoid(z) * (1 - self.sigmoid(z))

以上代码定义了一个具有一个隐藏层的神经网络。在初始化中，我们随机初始化权重。在前向传播中，我们计算每个层的输入和输出，并返回预测值。在反向传播中，我们计算梯度，并更新权重。sigmoid函数用于激活函数，sigmoid_derivative函数用于计算其导数。