python深度神经网络代码

以下是一个简单的python深度神经网络的代码示例：

import numpy as np

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

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重矩阵
        self.weights1 = np.random.randn(input_size, hidden_size)
        self.weights2 = np.random.randn(hidden_size, output_size)

    # 定义前向传播函数
    def forward(self, inputs):
        self.hidden = sigmoid(np.dot(inputs, self.weights1))
        self.output = sigmoid(np.dot(self.hidden, self.weights2))
        return self.output

    # 定义反向传播函数
    def backward(self, inputs, targets, learning_rate):
        # 计算输出误差
        output_error = targets - self.output
        output_delta = output_error * sigmoid(self.output) * (1 - sigmoid(self.output))

        # 计算隐藏层误差
        hidden_error = np.dot(output_delta, self.weights2.T)
        hidden_delta = hidden_error * sigmoid(self.hidden) * (1 - sigmoid(self.hidden))

        # 更新权重矩阵
        self.weights1 += learning_rate * np.dot(inputs.T, hidden_delta)
        self.weights2 += learning_rate * np.dot(self.hidden.T, output_delta)

    # 定义训练函数
    def train(self, inputs, targets, learning_rate, epochs):
        for i in range(epochs):
            self.forward(inputs)
            self.backward(inputs, targets, learning_rate)

# 测试神经网络
inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
targets = np.array([[0], [1], [1], [0]])

network = NeuralNetwork(2, 4, 1)
network.train(inputs, targets, 0.1, 10000)

print(network.forward(inputs))

以上代码示例中实现了一个简单的2层神经网络，包含一个输入层、一个隐藏层和一个输出层。其中，sigmoid函数作为激活函数，使用随机初始化的权重矩阵进行训练。在训练过程中，采用反向传播算法进行权重的更新。最终，输出网络在给定输入下的预测结果。