使用python实现简单神经网络

最新推荐文章于 2024-10-25 16:47:26 发布

原创最新推荐文章于 2024-10-25 16:47:26 发布 · 370 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #神经网络 #numpy #sigmoid

神经网络专栏收录该内容

15 篇文章

订阅专栏

本文分享了一个简单的神经网络实现代码，使用Python和NumPy，通过迭代训练权重，实现了基本的二元分类任务。适合神经网络初学者理解和实践。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                            # **使用python实现简单神经网络**

   根据博主的经历，许多人在学习神经网络的时候都存在眼高手低的情况，或者对那宛如天书一样的数学公式望而却步，作为一个刚刚入门的菜鸟，接触到了一个大牛写的实现神经网络的小程序，受益匪浅，在这里和大家分享一下。
   话不多说，直接上代码

#coding=utf-8
import  numpy as np  #导入唯一的包

def sigmoid(x, deriv=False):  #定义激活函数，这里可以换成其他激活函数？例如tanh/relu
    if(deriv==True):
        return x*(1-x)  #返回导数值
    else:
        return 1/(1+np.exp(-x)) #返回sigmoid值



X=np.array([ [0,0,1],
             [1,1,1],
             [1,0,1],
             [0,1,1]

])    #训练集，这里是个4*3的数据

Y = np.array([[0,1,1,0]]).T  #标签

np.random.random(1)   #随机种子

syn0 = np.random.random([3,1])  #生成一个随机的3*1的向量，作为初始化的权重

for i in range(100000):   #设置循环次数，这里次数越大，权重训练的越好

    l0 = X

    y = Y

    l1 = sigmoid(np.dot(X,syn0))
    '''
      利用dot函数用训练集乘以初始化的权重，得到一个4*1的向量，然后用sigmoid函数将网络输出做非线性化处理
    '''
    l1_error = y-l1
    '''
      计算出误差值
    '''
    l1_delta = l1_error*sigmoid(l1,True)

    '''
      当l1较大或者较小时，计算出此时输出在激活函数导函数上对应的值，这个值一定很小
      
    '''

    syn0 += np.dot(l0.T,l1_delta)

    '''
      调整参数
    '''

l2=np.array([0,0,1])  #测试数据
l3=sigmoid(np.dot(l2,syn0))  #利用训练出来的数据对测试数据进行预测

print '网络最终的输出为：'

print l1

print '针对测试集进行预测，结果为'

print l3




``