用 pycharm 写一个三输入一输出的 BP 神经网络并输出预测值.以输入中的一个值为 X 轴预测值和真实值为 Y 轴画出折线图
时间: 2024-03-06 11:51:38 浏览: 108
好的,以下是一个使用 PyCharm 编写的三输入一输出的 BP 神经网络的代码示例,并绘制预测值和真实值的折线图:
```python
import numpy as np
import matplotlib.pyplot as plt
class NeuralNetwork:
def __init__(self):
# 设置输入层、隐藏层和输出层的神经元数量
self.input_neurons = 3
self.hidden_neurons = 4
self.output_neurons = 1
# 初始化权重和偏差
self.weights1 = np.random.randn(self.input_neurons, self.hidden_neurons)
self.bias1 = np.zeros((1, self.hidden_neurons))
self.weights2 = np.random.randn(self.hidden_neurons, self.output_neurons)
self.bias2 = np.zeros((1, self.output_neurons))
def sigmoid(self, x):
# sigmoid 函数
return 1 / (1 + np.exp(-x))
def sigmoid_derivative(self, x):
# sigmoid 函数的导数
return x * (1 - x)
def forward(self, X):
# 前向传播
self.hidden_layer = self.sigmoid(np.dot(X, self.weights1) + self.bias1)
self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.weights2) + self.bias2)
return self.output_layer
def backward(self, X, y, output):
# 反向传播
self.output_error = y - output
self.output_delta = self.output_error * self.sigmoid_derivative(output)
self.hidden_error = np.dot(self.output_delta, self.weights2.T)
self.hidden_delta = self.hidden_error * self.sigmoid_derivative(self.hidden_layer)
self.weights1 += np.dot(X.T, self.hidden_delta)
self.bias1 += np.sum(self.hidden_delta, axis=0, keepdims=True)
self.weights2 += np.dot(self.hidden_layer.T, self.output_delta)
self.bias2 += np.sum(self.output_delta, axis=0, keepdims=True)
def train(self, X, y, epochs):
# 训练神经网络
for i in range(epochs):
output = self.forward(X)
self.backward(X, y, output)
def predict(self, X):
# 预测输出
return self.forward(X)
# 生成数据
X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
y = np.array([[0], [1], [1], [0]])
# 训练神经网络
nn = NeuralNetwork()
nn.train(X, y, epochs=10000)
# 预测结果并绘制折线图
X_test = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1]])
y_test = np.array([[0], [1], [1]])
y_pred = nn.predict(X_test)
x_axis = np.arange(len(y_test))
plt.plot(x_axis, y_test, 'o-', label='Real Value')
plt.plot(x_axis, y_pred, 'o-', label='Predict Value')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Prediction Result')
plt.legend()
plt.show()
```
在这个示例中,我们首先生成了一个包含四个样本的输入矩阵 X 和相应的输出矩阵 y,并使用这些数据训练了神经网络。然后,我们使用包含三个样本的输入矩阵 X_test 进行预测,并将预测结果和真实值绘制在同一个图表中。您可以根据自己的需求修改输入、隐藏和输出层的神经元数量,以及训练次数等参数。
阅读全文