from numpy import exp,array,random,dot #import randomclass NeuralNetwork(object):def __init__(self):#指定隨機數發生器種子，保證每次獲得相同結果的隨機數random.seed(1)#對含有3輸入1輸出的單個神經元建模#即3*1矩陣賦予隨機權重值，范圍（-1，1）#即（a,b)范圍的c*d矩陣隨機數為（b-a）*random.random((c,d))+aself.dendritic_weights=2*random.random((3,1))-1#sigmoid函數，s型曲線，用于對輸入的加權總和x做(0,1)正規化#它可以將一個實數映射到(0,1)空間def __sigmoid(self,x):return 1/(1+exp(-x))#sigmoid函數的導數#這里的x是指__sigmoid函數的輸出def __sigmoid_derivative(self,x):return x*(1-x)#訓練該神經網絡，并調整樹突的權重def train(self,training_inputs,training_output,number_of_training_iteration):'''training_inputs:訓練集的樣本輸入training_outputs:訓練集樣本的輸出number_of_training_iteration:訓練次數1.我們使用sigmoid曲線計算（輸入的加權和映射到0至1之間）作為輸出神經元2.如果輸出是一個大的正（或負）數，這意味著神經元采用這種（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，即認為當前權重是正確4.所以，乘以sigmoid函數曲線斜率可以進行調整'''for _iteration in range(number_of_training_iteration):#訓練集導入神經網絡output=self.think(training_inputs)#計算誤差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#神經網絡def think(self,inputs):#輸入與權重相乘并正交化return self.__sigmoid(dot(inputs,self.dendritic_weights))if __name__=='__main__':#初始化神經網絡nn=NeuralNetwork()#初始化權重print("初始樹突權重：\n{}".format(nn.dendritic_weights))#訓練集，四個樣本，每個樣本有3個輸入，1個輸出#訓練樣本輸入training_inputs_sample=array([[0,0,1],[1,1,1],[1,0,1],[0,1,1]])#訓練樣本的輸出training_outputs_sample=array([[0,1,1,0]]).T#用訓練集訓練nn,重復十萬次，每次做微小的調整nn.train(training_inputs_sample,training_outputs_sample,100000)#訓練后的樹突權重print("訓練后樹突權重：\n{}".format(nn.dendritic_weights))#用新數據進行測試test_result=nn.think(array([1,0,0]))print("測試結果：\n{}".format(test_result))

程序運行結果：

初始樹突權重： [[-0.16595599][ 0.44064899][-0.99977125]] 訓練后樹突權重： [[12.00870061][-0.2044116 ][-5.8002822 ]] 測試結果： [0.99999391]

參考資料：python嘗試自己寫一個簡單的神經網絡

總結

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神经网络的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。