Python实现的三层BP神经网络算法示例_torch冻结参数 - CSDN文库

三层BP神经网络

5星 · 超过95%的资源 71 浏览量更新于2023-03-03 评论 1 收藏 78KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Python实现的三层实现的三层BP神经网络算法示例神经网络算法示例

主要介绍了Python实现的三层BP神经网络算法,结合完整实例形式分析了Python三层BP神经网络算法的具体实

现与使用相关操作技巧,需要的朋友可以参考下

本文实例讲述了Python实现的三层BP神经网络算法。分享给大家供大家参考，具体如下：

这是一个非常漂亮的三层反向传播神经网络的python实现，下一步我准备试着将其修改为多层BP神经网络。

下面是运行演示函数的截图，你会发现预测的结果很惊人！下面是运行演示函数的截图，你会发现预测的结果很惊人！

提示：提示：运行演示函数的时候，可以尝试改变隐藏层的节点数，看节点数增加了，预测的精度会否提升

import math

import random

import string

random.seed(0)

# 生成区间[a, b)内的随机数

def rand(a, b):

return (b-a)*random.random() + a

# 生成大小 I*J 的矩阵，默认零矩阵 (当然，亦可用 NumPy 提速)

def makeMatrix(I, J, fill=0.0):

m = []

for i in range(I):

m.append([fill]*J)

return m

# 函数 sigmoid，这里采用 tanh，因为看起来要比标准的 1/(1+e^-x) 漂亮些

def sigmoid(x):

return math.tanh(x)

# 函数 sigmoid 的派生函数, 为了得到输出 (即：y)

def dsigmoid(y):

return 1.0 - y**2

class NN:

''' 三层反向传播神经网络 '''

def __init__(self, ni, nh, no):

# 输入层、隐藏层、输出层的节点（数）

self.ni = ni + 1 # 增加一个偏差节点

self.nh = nh

self.no = no

# 激活神经网络的所有节点（向量）

self.ai = [1.0]*self.ni

self.ah = [1.0]*self.nh

self.ao = [1.0]*self.no

# 建立权重（矩阵）

self.wi = makeMatrix(self.ni, self.nh)

self.wo = makeMatrix(self.nh, self.no)

# 设为随机值

for i in range(self.ni):

for j in range(self.nh):

self.wi[i][j] = rand(-0.2, 0.2)

for j in range(self.nh):

for k in range(self.no):

self.wo[j][k] = rand(-2.0, 2.0)

# 最后建立动量因子（矩阵）

self.ci = makeMatrix(self.ni, self.nh)

self.co = makeMatrix(self.nh, self.no)

def update(self, inputs):

if len(inputs) != self.ni-1:

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

评论5

LauraKuang

2023-07-28

这个示例文件中的代码结构清晰，逻辑严谨，没有冗余的部分，非常高效。

weixin_38657115

粉丝: 5
资源: 906

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈