利用Python写BP神经网络（一）：无偏置的BPNN

最新推荐文章于 2025-06-03 20:14:26 发布

HarryJD

最新推荐文章于 2025-06-03 20:14:26 发布

阅读量2k

点赞数

CC 4.0 BY-SA版权

分类专栏：神经网络

本文链接：https://blog.youkuaiyun.com/chengeng_jd/article/details/80412712

本文介绍了使用Python构建一个简单的BP神经网络，该网络包含3个输入层节点、3个隐藏层节点和1个输出层节点。通过5个学习样本进行迭代训练，每轮训练都记录误差。在没有考虑偏置的情况下，经过1000次训练，误差稳定在0.05左右，预计加入偏置会改善模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第一个最简单的BPNN：包括3个输入层节点，3个隐含层节点，1个输出层节点。

学习样本为5个，每次都把5个学习样本都学习一遍，直到学习次数达到预设的次数。

每次学习都记录下误差（或者叫损失）。

为了简单，隐含层和输出层暂时不考虑偏置，等下一次再考虑。

训练了1000次，误差在0.05多些，然后损失就下降得很慢了，估计增加偏置后会好些。

import numpy as np

# --------------------------------------------
# 激活函数
def f_sigmoid(x, derive=False):
    if not derive:
        return 1 / (1 + np.exp(-x))
    else:
        return x * (1 - x)

# --------------------------------------------

# 学习的样本，3个维度，增加1个偏置后，维度增加1，共5个样本，因此是4x5的矩阵
X = np.array([[1, 2, 1],
              [1, 1, 1],
              [1, 2, 2],
              [2, 1, 1],
              [2, 2, 1]])
# 预期输出，即监督值
Y = np.array([[0],
              [0],
              [1],
              [0],
              [1]])

# Weights
np.random.seed(2)
# 4 x 3 ，说明隐藏层有3个结点，但是包括1个偏置，维度增加1
W = 2 * np.random.random((3, 3)) - 1
# 4 x 1 ，说明输出层有1个结点，包含了偏置之后，维度增加1
V = 2 * np.random.random((3, 1)) - 1
#学习的速率
learn_rate = 0.95

#最大训练次数
MAX_LEARN_COUNT = 1000
nLearn_C