请用python写一个简单的BP神经网络代码
时间: 2024-05-14 19:17:01 浏览: 9
好的,这里是一个简单的BP神经网络代码示例:
```python
import numpy as np
# 定义sigmoid函数
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# 定义BP神经网络的类
class BPNeuralNetwork:
def __init__(self, input_nodes, hidden_nodes, output_nodes, learning_rate):
self.input_nodes = input_nodes
self.hidden_nodes = hidden_nodes
self.output_nodes = output_nodes
self.learning_rate = learning_rate
# 初始化权重参数
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):
# 将输入和目标输出转换为2D数组
inputs = np.array(inputs_list, ndmin=2).T
targets = np.array(targets_list, ndmin=2).T
# 计算隐藏层输入信号
hidden_inputs = np.dot(self.weights_input_hidden, inputs)
# 计算隐藏层输出信号
hidden_outputs = sigmoid(hidden_inputs)
# 计算输出层输入信号
final_inputs = np.dot(self.weights_hidden_output, hidden_outputs)
# 计算输出层输出信号
final_outputs = sigmoid(final_inputs)
# 计算输出误差
output_errors = targets - final_outputs
# 计算隐藏层误差
hidden_errors = np.dot(self.weights_hidden_output.T, output_errors)
# 更新输出层和隐藏层之间的权重参数
self.weights_hidden_output += self.learning_rate * np.dot((output_errors * final_outputs * (1 - final_outputs)), hidden_outputs.T)
# 更新输入层和隐藏层之间的权重参数
self.weights_input_hidden += self.learning_rate * np.dot((hidden_errors * hidden_outputs * (1 - hidden_outputs)), inputs.T)
def query(self, inputs_list):
# 将输入转换为2D数组
inputs = np.array(inputs_list, ndmin=2).T
# 计算隐藏层输入信号
hidden_inputs = np.dot(self.weights_input_hidden, inputs)
# 计算隐藏层输出信号
hidden_outputs = sigmoid(hidden_inputs)
# 计算输出层输入信号
final_inputs = np.dot(self.weights_hidden_output, hidden_outputs)
# 计算输出层输出信号
final_outputs = sigmoid(final_inputs)
return final_outputs
```
这个代码实现了一个包含一个隐藏层的BP神经网络,可以通过调用train方法来训练网络,调用query方法来使用训练好的网络进行预测。请注意,这只是一个简单的示例代码,实际应用中需要根据具体情况进行修改和扩展。