BP神經(jīng)網(wǎng)絡(luò)（BPNN）基本由以下組件組成：

• 輸入層
• 隱藏層
• 輸出層
• 各層之間的權(quán)重
• 每個(gè)隱藏層的激活函數(shù)（此中將用Sigmoid激活函數(shù)）

代碼思路

一、創(chuàng)建一個(gè)NeuralNetwork類

我們將在Python中創(chuàng)建一個(gè)NeuralNetwork類，以訓(xùn)練神經(jīng)元以給出準(zhǔn)確的預(yù)測。該課程還將具有其他幫助程序功能。

1.應(yīng)用Sigmoid函數(shù)
我們將使用Sigmoid函數(shù)（它繪制一條“ S”形曲線）作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。

sigmoid

• 創(chuàng)建Sigmoid函數(shù)的導(dǎo)數(shù)，以幫助計(jì)算權(quán)重的基本調(diào)整。
• Sigmoid函數(shù)的輸出可用于生成其導(dǎo)數(shù)。例如，如果輸出變量為“ x”，則其導(dǎo)數(shù)將為x （1-x）。

2.訓(xùn)練模型
這是我們將教神經(jīng)網(wǎng)絡(luò)做出準(zhǔn)確預(yù)測的階段。每個(gè)輸入將具有權(quán)重（正或負(fù)）。
這意味著具有大量正權(quán)重或大量負(fù)權(quán)重的輸入將對(duì)結(jié)果輸出產(chǎn)生更大的影響。

我們最初是將每個(gè)權(quán)重分配給一個(gè)隨機(jī)數(shù)。

• 這是我們?cè)诖松窠?jīng)網(wǎng)絡(luò)示例問題中使用的訓(xùn)練過程的過程：

1. 我們從訓(xùn)練數(shù)據(jù)集中獲取輸入，根據(jù)它們的權(quán)重進(jìn)行一些調(diào)整，然后通過一種計(jì)算ANN輸出的方法虹吸它們。
2. 我們計(jì)算了反向傳播的錯(cuò)誤率。在這種情況下，它是神經(jīng)元的預(yù)測輸出與訓(xùn)練數(shù)據(jù)集的預(yù)期輸出之間的差異。
3. 根據(jù)得到的誤差的程度，我們使用誤差加權(quán)導(dǎo)數(shù)公式進(jìn)行了一些較小的權(quán)重調(diào)整。
4. 我們對(duì)該過程進(jìn)行了15,000次任意迭代。在每次迭代中，將同時(shí)處理整個(gè)訓(xùn)練集。

二、主函數(shù)

• 初始化類
• 載入訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練
• 測試

代碼：

'''
author：小靳哥哥
project：三層神BP經(jīng)網(wǎng)絡(luò)模型
'''
# 導(dǎo)入numpy并命名為np
import numpy as np

'''
# 構(gòu)造神經(jīng)網(wǎng)絡(luò)
'''
class NeuralNetwork():
    def __init__(self):
        # 隨機(jī)數(shù)生成的種子隨機(jī)數(shù)生成的種子
        np.random.seed(1)
        # 將權(quán)重轉(zhuǎn)換為值為-1到1且平均值為0的3乘1矩陣
        self.synaptic_weights = 2 * np.random.random((3, 1)) - 1

    # 定義signoid函數(shù)的導(dǎo)數(shù)
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    # 計(jì)算sigmoid函數(shù)的導(dǎo)數(shù)
    def sigmoid_derivative(self, x):
        return x * (1 - x)

    # 訓(xùn)練
    def train(self, train_inputs, train_ou[圖片上傳中...(image-4f98b0-1589629804569)]
tputs, train_iterations): # 輸入 輸出 迭代次數(shù)
        # 訓(xùn)練模型在不斷調(diào)整權(quán)重的同時(shí)做出準(zhǔn)確預(yù)測
        for iteration in range(train_iterations):
            # 通過神經(jīng)元提取訓(xùn)練數(shù)據(jù)
            output = self.think(train_inputs)
            # 反向傳播錯(cuò)誤率
            error = train_outputs - output
            # 進(jìn)行權(quán)重調(diào)整
            adjustments = np.dot(train_inputs.T, error * self.sigmoid_derivative(output))
            self.synaptic_weights += adjustments
    # 輸出
    def think(self, inputs):
        inputs = inputs.astype(float)
        output = self.sigmoid(np.dot(inputs, self.synaptic_weights))
        return output

# 初始化類
neural_network = NeuralNetwork()

print("開始隨機(jī)生成權(quán)重: ")
print(neural_network.synaptic_weights)

# 載入訓(xùn)練數(shù)據(jù)（3個(gè)輸入值，一個(gè)輸出值）
train_inputs = np.array([[0, 0, 1],[1, 1, 1],[1, 0, 1],[0, 1, 1]])
train_outputs = np.array([[0, 1, 1, 0]]).T
neural_network.train(train_inputs, train_outputs, 150000)

print("最終所得權(quán)重： ")
print(neural_network.synaptic_weights)


'''
測試
'''
print('開始測試')
input_1 = str(input("輸入第一個(gè)值: "))
input_2 = str(input("輸入第一個(gè)值: "))
input_3 = str(input("輸入第一個(gè)值: "))

print("輸入值: [", input_1, input_2, input_3, ']')
print("輸出結(jié)果: ")
print(neural_network.think(np.array([input_1, input_2, input_3])))

本文參考翻譯于此網(wǎng)站 —— 原文