用python写一个网络神经算法

好的，以下是一个简单的神经网络算法的 Python 代码示例。

首先，我们需要导入必要的库：

import numpy as np

接着，我们定义一个 `NeuralNetwork` 类，它具有以下属性：

- `input_size`：输入层的大小
- `hidden_size`：隐藏层的大小
- `output_size`：输出层的大小
- `weights1`：输入层到隐藏层的权重
- `weights2`：隐藏层到输出层的权重

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
        self.weights1 = np.random.randn(self.input_size, self.hidden_size)
        self.weights2 = np.random.randn(self.hidden_size, self.output_size)

接下来，我们定义 `feedforward` 函数，该函数将输入数据传递到神经网络中，并返回输出结果：

def feedforward(self, X):
        self.z = np.dot(X, self.weights1)
        self.z2 = self.sigmoid(self.z)
        self.z3 = np.dot(self.z2, self.weights2)
        output = self.sigmoid(self.z3)
        return output

我们还需要一个 `sigmoid` 函数，用于激活神经元：

def sigmoid(self, s):
        return 1 / (1 + np.exp(-s))

最后，我们定义一个 `train` 函数，该函数将使用反向传播算法来更新权重：

def train(self, X, y, learning_rate):
        output = self.feedforward(X)

        # 反向传播
        delta3 = (y - output) * self.sigmoid_derivative(output)
        d_weights2 = np.dot(self.z2.T, delta3)
        delta2 = np.dot(delta3, self.weights2.T) * self.sigmoid_derivative(self.z2)
        d_weights1 = np.dot(X.T, delta2)

        # 更新权重
        self.weights1 += learning_rate * d_weights1
        self.weights2 += learning_rate * d_weights2

    def sigmoid_derivative(self, s):
        return s * (1 - s)

这个 `train` 函数需要输入训练数据 `X` 和对应的标签 `y`，以及学习速率 `learning_rate`，它将根据反向传播算法更新权重。

完整的代码示例如下：

import numpy as np

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
        self.weights1 = np.random.randn(self.input_size, self.hidden_size)
        self.weights2 = np.random.randn(self.hidden_size, self.output_size)

    def feedforward(self, X):
        self.z = np.dot(X, self.weights1)
        self.z2 = self.sigmoid(self.z)
        self.z3 = np.dot(self.z2, self.weights2)
        output = self.sigmoid(self.z3)
        return output

    def train(self, X, y, learning_rate):
        output = self.feedforward(X)

        # 反向传播
        delta3 = (y - output) * self.sigmoid_derivative(output)
        d_weights2 = np.dot(self.z2.T, delta3)
        delta2 = np.dot(delta3, self.weights2.T) * self.sigmoid_derivative(self.z2)
        d_weights1 = np.dot(X.T, delta2)

        # 更新权重
        self.weights1 += learning_rate * d_weights1
        self.weights2 += learning_rate * d_weights2

    def sigmoid(self, s):
        return 1 / (1 + np.exp(-s))

    def sigmoid_derivative(self, s):
        return s * (1 - s)

这只是一个简单的神经网络算法示例，它还可以通过添加更多的隐藏层和调整参数来改进性能。