写一段人工神经网络的代码

以下是一个简单的人工神经网络的 Python 代码示例：

import numpy as np

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

# 定义网络结构和权重
input_size = 2
hidden_size = 3
output_size = 1

W1 = np.random.randn(input_size, hidden_size)
W2 = np.random.randn(hidden_size, output_size)

# 定义前向传播
def forward(X):
    # 计算隐藏层输出
    z1 = np.dot(X, W1)
    a1 = sigmoid(z1)
  
    # 计算输出层输出
    z2 = np.dot(a1, W2)
    a2 = sigmoid(z2)
  
    return a2

# 模拟输入并输出
X = np.array([0.2, 0.3])
print(forward(X))

这段代码实现了一个包含一个输入层、一个隐藏层和一个输出层的神经网络。其中，输入层有两个神经元，隐藏层有三个神经元，输出层有一个神经元。代码通过向前传递输入数据并对每一层进行加权求和和激活函数操作来计算输出数据。

相关问题

写一段人工神经网络代码

好的，以下是一个简单的三层全连接神经网络的 Python 代码示例：

import numpy as np

class NeuralNetwork:
    def __init__(self, num_inputs, num_hidden, num_outputs):
        self.weights1 = np.random.rand(num_inputs, num_hidden)
        self.weights2 = np.random.rand(num_hidden, num_outputs)

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

    def forward(self, inputs):
        hidden = self.sigmoid(np.dot(inputs, self.weights1))
        outputs = self.sigmoid(np.dot(hidden, self.weights2))
        return outputs
    
# 示例用法
nn = NeuralNetwork(2, 3, 1)
inputs = np.array([0.5, 0.3])
outputs = nn.forward(inputs)
print(outputs)

这个神经网络有两个输入节点，三个隐藏层节点和一个输出节点。在初始化时，随机生成两个权重矩阵 `weights1` 和 `weights2`。然后，使用 `sigmoid` 函数作为激活函数，计算输入数据 `inputs` 经过两个全连接层后的输出 `outputs`。

利用python写一段人工神经网络进行图像分类的代码

好的，以下是利用Python编写人工神经网络进行图像分类的代码：

import numpy as np
import tensorflow as tf

# 导入数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 数据预处理
x_train = x_train.reshape(x_train.shape[0], -1) / 255.
x_test = x_test.reshape(x_test.shape[0], -1) / 255.
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

# 定义神经网络模型
model = tf.keras.Sequential([
        tf.keras.layers.Dense(128, input_dim=784, activation='relu'),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))

# 测试模型
loss, acc = model.evaluate(x_test, y_test)
print("准确率：{:5.2f}%，损失值：{}".format(acc*100, loss))

希望这个代码可以帮助你。现在请问，你还有什么其它问题吗？