bp神经网络python源代码_神经网络(BP)算法Python实现及简单应用

importnumpy as np#定义tanh函数

deftanh(x):returnnp.tanh(x)#tanh函数的导数

deftan_deriv(x):return 1.0 - np.tanh(x) *np.tan(x)#sigmoid函数

deflogistic(x):return 1 / (1 + np.exp(-x))#sigmoid函数的导数

deflogistic_derivative(x):return logistic(x) * (1 -logistic(x))classNeuralNetwork:def __init__(self, layers, activation='tanh'):"""神经网络算法构造函数

:param layers: 神经元层数

:param activation: 使用的函数（默认tanh函数）

:return:none"""

if activation == 'logistic':

self.activation=logistic

self.activation_deriv=logistic_derivativeelif activation == 'tanh':

self.activation=tanh

self.activation_deriv=tan_deriv#权重列表

self.weights =[]#初始化权重（随机）

for i in range(1, len(layers) - 1):

self.weights.append((2 * np.random.random((layers[i - 1] + 1, layers[i] + 1)) - 1) * 0.25)

self.weights.append((2 * np.random.random((layers[i] + 1, layers[i + 1])) - 1) * 0.25)def fit(self, X, y, learning_rate=0.2, epochs=10000):"""训练神经网络

:param X: 数据集（通常是二维）

:param y: 分类标记

:param learning_rate: 学习率（默认0.2）

:param epochs: 训练次数（最大循环次数，默认10000）

:return: none"""

#确保数据集是二维的

X =np.atleast_2d(X)

temp= np.ones([X.shape[0], X.shape[1] + 1])

temp[:, 0:-1] =X

X=temp

y=np.array(y)for k inrange(epochs):#随机抽取X的一行

i =np.random.randint(X.shape[0])#用随机抽取的这一组数据对神经网络更新

a =[X[i]]#正向更新

for l inrange(len(self.weights)):

a.append(self.activation(np.dot(a[l], self.weights[l])))

error= y[i] - a[-1]

deltas= [error * self.activation_deriv(a[-1])]#反向更新

for l in range(len(a) - 2, 0, -1):

deltas.append(deltas[-1].dot(self.weights[l].T) *self.activation_deriv(a[l]))

deltas.reverse()for i inrange(len(self.weights)):

layer=np.atleast_2d(a[i])

delta=np.atleast_2d(deltas[i])

self.weights[i]+= learning_rate *layer.T.dot(delta)defpredict(self, x):

x=np.array(x)

temp= np.ones(x.shape[0] + 1)

temp[0:-1] =x

a=tempfor l inrange(0, len(self.weights)):

a=self.activation(np.dot(a, self.weights[l]))return a