from numpy import exp,array,random,dot #import randomclass NeuralNetwork(object):def __init__(self):#指定隨機(jī)數(shù)發(fā)生器種子，保證每次獲得相同結(jié)果的隨機(jī)數(shù)random.seed(1)#對(duì)含有3輸入1輸出的單個(gè)神經(jīng)元建模#即3*1矩陣賦予隨機(jī)權(quán)重值，范圍（-1，1）#即（a,b)范圍的c*d矩陣隨機(jī)數(shù)為（b-a）*random.random((c,d))+aself.dendritic_weights=2*random.random((3,1))-1#sigmoid函數(shù)，s型曲線，用于對(duì)輸入的加權(quán)總和x做(0,1)正規(guī)化#它可以將一個(gè)實(shí)數(shù)映射到(0,1)空間def __sigmoid(self,x):return 1/(1+exp(-x))#sigmoid函數(shù)的導(dǎo)數(shù)#這里的x是指__sigmoid函數(shù)的輸出def __sigmoid_derivative(self,x):return x*(1-x)#訓(xùn)練該神經(jīng)網(wǎng)絡(luò)，并調(diào)整樹突的權(quán)重def train(self,training_inputs,training_output,number_of_training_iteration):'''training_inputs:訓(xùn)練集的樣本輸入training_outputs:訓(xùn)練集樣本的輸出number_of_training_iteration:訓(xùn)練次數(shù)1.我們使用sigmoid曲線計(jì)算（輸入的加權(quán)和映射到0至1之間）作為輸出神經(jīng)元2.如果輸出是一個(gè)大的正（或負(fù)）數(shù)，這意味著神經(jīng)元采用這種（或另一種）方式3.從sigmoid曲線可以看出，在較大值處，sigmoid曲線的斜率小，即認(rèn)為當(dāng)前權(quán)重是正確4.所以，乘以sigmoid函數(shù)曲線斜率可以進(jìn)行調(diào)整'''for _iteration in range(number_of_training_iteration):#訓(xùn)練集導(dǎo)入神經(jīng)網(wǎng)絡(luò)output=self.think(training_inputs)#計(jì)算誤差error=training_output-output#將誤差乘以輸入，再乘以s型曲線的梯度adjustment=dot(training_inputs.T,error*self.__sigmoid_derivative(output))self.dendritic_weights+=adjustment#神經(jīng)網(wǎng)絡(luò)def think(self,inputs):#輸入與權(quán)重相乘并正交化return self.__sigmoid(dot(inputs,self.dendritic_weights))if __name__=='__main__':#初始化神經(jīng)網(wǎng)絡(luò)nn=NeuralNetwork()#初始化權(quán)重print("初始樹突權(quán)重：\n{}".format(nn.dendritic_weights))#訓(xùn)練集，四個(gè)樣本，每個(gè)樣本有3個(gè)輸入，1個(gè)輸出#訓(xùn)練樣本輸入training_inputs_sample=array([[0,0,1],[1,1,1],[1,0,1],[0,1,1]])#訓(xùn)練樣本的輸出training_outputs_sample=array([[0,1,1,0]]).T#用訓(xùn)練集訓(xùn)練nn,重復(fù)十萬次，每次做微小的調(diào)整nn.train(training_inputs_sample,training_outputs_sample,100000)#訓(xùn)練后的樹突權(quán)重print("訓(xùn)練后樹突權(quán)重：\n{}".format(nn.dendritic_weights))#用新數(shù)據(jù)進(jìn)行測(cè)試test_result=nn.think(array([1,0,0]))print("測(cè)試結(jié)果：\n{}".format(test_result))

程序運(yùn)行結(jié)果：

初始樹突權(quán)重： [[-0.16595599][ 0.44064899][-0.99977125]] 訓(xùn)練后樹突權(quán)重： [[12.00870061][-0.2044116 ][-5.8002822 ]] 測(cè)試結(jié)果： [0.99999391]

參考資料：python嘗試自己寫一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)

總結(jié)

以上是生活随笔為你收集整理的使用python自己搭建一个简单的BP神经网络的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。