bp神经网络python实例
时间: 2023-09-05 16:13:59 浏览: 84
BP神经网络实例
以下是一个BP神经网络的Python实例:
```python
import numpy as np
# 设置随机数种子以确保每次运行得到相同的结果
np.random.seed(0)
# 定义sigmoid函数
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# 定义BP神经网络类
class NeuralNetwork:
def __init__(self, input_nodes, hidden_nodes, output_nodes, learning_rate):
# 初始化神经网络的结构和学习率
self.input_nodes = input_nodes
self.hidden_nodes = hidden_nodes
self.output_nodes = output_nodes
self.learning_rate = learning_rate
# 初始化权重矩阵
self.weights_input_hidden = np.random.normal(0.0, pow(self.hidden_nodes, -0.5), (self.hidden_nodes, self.input_nodes))
self.weights_hidden_output = np.random.normal(0.0, pow(self.output_nodes, -0.5), (self.output_nodes, self.hidden_nodes))
def train(self, inputs_list, targets_list):
# 将输入和目标值转换为二维数组
inputs = np.array(inputs_list, ndmin=2).T
targets = np.array(targets_list, ndmin=2).T
# 前向传播
hidden_inputs = np.dot(self.weights_input_hidden, inputs)
hidden_outputs = sigmoid(hidden_inputs)
final_inputs = np.dot(self.weights_hidden_output, hidden_outputs)
final_outputs = sigmoid(final_inputs)
# 计算输出层误差
output_errors = targets - final_outputs
# 反向传播
hidden_errors = np.dot(self.weights_hidden_output.T, output_errors) * hidden_outputs * (1 - hidden_outputs)
# 更新权重矩阵
self.weights_hidden_output += self.learning_rate * np.dot(output_errors * final_outputs * (1 - final_outputs), hidden_outputs.T)
self.weights_input_hidden += self.learning_rate * np.dot(hidden_errors, inputs.T)
def query(self, inputs_list):
# 将输入转换为二维数组
inputs = np.array(inputs_list, ndmin=2).T
# 前向传播
hidden_inputs = np.dot(self.weights_input_hidden, inputs)
hidden_outputs = sigmoid(hidden_inputs)
final_inputs = np.dot(self.weights_hidden_output, hidden_outputs)
final_outputs = sigmoid(final_inputs)
return final_outputs
```
这个BP神经网络类有以下几个方法:
- `__init__(self, input_nodes, hidden_nodes, output_nodes, learning_rate)`:初始化神经网络的结构和学习率。
- `train(self, inputs_list, targets_list)`:训练神经网络,更新权重矩阵。
- `query(self, inputs_list)`:使用训练好的神经网络进行预测。
在这个实例中,我们使用sigmoid函数作为激活函数,将随机生成的权重矩阵作为初始值,使用反向传播算法进行权重更新。我们可以使用以下代码进行测试:
```python
# 创建一个3-3-1的神经网络,学习率为0.3
nn = NeuralNetwork(3, 3, 1, 0.3)
# 训练神经网络
for i in range(10000):
nn.train([0, 0, 1], [0])
nn.train([0, 1, 1], [1])
nn.train([1, 0, 1], [1])
nn.train([1, 1, 1], [0])
# 使用训练好的神经网络进行预测
print(nn.query([0, 0, 1])) # 输出接近0的值
print(nn.query([0, 1, 1])) # 输出接近1的值
print(nn.query([1, 0, 1])) # 输出接近1的值
print(nn.query([1, 1, 1])) # 输出接近0的值
```
在这个实例中,我们训练了一个3-3-1的神经网络,学习率为0.3。训练数据是四个三元组,分别表示输入和对应的目标值,训练好的神经网络可以预测新的输入对应的输出。
阅读全文