对已知的两组数据运用BP进行非线性二分类,给出代码
时间: 2024-05-12 07:19:47 浏览: 11
以下是Python代码实现BP神经网络进行非线性二分类:
```
import numpy as np
#sigmoid函数
def sigmoid(z):
return 1 / (1 + np.exp(-z))
#BP神经网络类
class BPNN():
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.b1 = np.zeros((1, self.hidden_size))
self.w2 = np.random.randn(self.hidden_size, self.output_size)
self.b2 = np.zeros((1, self.output_size))
#前向传播
def forward(self, X):
self.z1 = np.dot(X, self.w1) + self.b1
self.a1 = sigmoid(self.z1)
self.z2 = np.dot(self.a1, self.w2) + self.b2
self.a2 = sigmoid(self.z2)
return self.a2
#反向传播
def backward(self, X, y, output):
self.error = y - output
self.delta2 = self.error * sigmoid(self.z2) * (1 - sigmoid(self.z2))
self.delta1 = np.dot(self.delta2, self.w2.T) * sigmoid(self.z1) * (1 - sigmoid(self.z1))
self.dw2 = np.dot(self.a1.T, self.delta2)
self.db2 = np.sum(self.delta2, axis=0, keepdims=True)
self.dw1 = np.dot(X.T, self.delta1)
self.db1 = np.sum(self.delta1, axis=0)
self.w2 += self.dw2
self.b2 += self.db2
self.w1 += self.dw1
self.b1 += self.db1
#训练函数
def train(self, X, y, epochs):
for epoch in range(epochs):
output = self.forward(X)
self.backward(X, y, output)
if epoch % 100 == 0:
loss = np.mean(np.square(y - output))
print('Epoch {0}: loss = {1}'.format(epoch, loss))
#生成数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])
#创建BP神经网络
bpnn = BPNN(2, 3, 1)
#训练BP神经网络
bpnn.train(X, y, 1000)
#预测
output = bpnn.forward(X)
print('Predictions:', output.round())
```
在上面的代码中,我们首先定义了一个sigmoid函数,用于将神经元的输出映射到0到1之间。然后,我们创建了一个BPNN类,用于实现BP神经网络。在类的初始化函数中,我们指定了输入层的大小、隐藏层的大小和输出层的大小,并随机初始化了权重和偏置。然后,我们实现了前向传播和反向传播函数,并通过这两个函数来训练BP神经网络。在训练函数中,我们使用了均方误差作为损失函数,并使用梯度下降法来更新权重和偏置。最后,我们使用训练好的BP神经网络来进行预测,并输出预测结果。