bp神经网络python代码

python
import numpy as np

class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重
        self.weights_input_hidden = np.random.randn(self.input_size, self.hidden_size)
        self.weights_hidden_output = np.random.randn(self.hidden_size, self.output_size)
        
        # 初始化偏置
        self.bias_input_hidden = np.random.randn(1, self.hidden_size)
        self.bias_hidden_output = np.random.randn(1, self.output_size)
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(self, x):
        return x * (1 - x)
    
    def forward(self, X):
        self.hidden_input = np.dot(X, self.weights_input_hidden) + self.bias_input_hidden
        self.hidden_output = self.sigmoid(self.hidden_input)
        self.output = np.dot(self.hidden_output, self.weights_hidden_output) + self.bias_hidden_output
        return self.sigmoid(self.output)
    
    def backward(self, X, y, output):
        self.error = y - output
        self.output_delta = self.error * self.sigmoid_derivative(output)
        
        self.hidden_error = self.output_delta.dot(self.weights_hidden_output.T)
        self.hidden_delta = self.hidden_error * self.sigmoid_derivative(self.hidden_output)
        
        self.weights_hidden_output += self.hidden_output.T.dot(self.output_delta)
        self.weights_input_hidden += X.T.dot(self.hidden_delta)
        
        self.bias_hidden_output += np.sum(self.output_delta, axis=0)
        self.bias_input_hidden += np.sum(self.hidden_delta, axis=0)
        
    def train(self, X, y, epochs):
        for epoch in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output)
            if epoch % 1000 == 0:
                print(f"Epoch {epoch}, Error: {np.mean(np.abs(self.error))}")

if __name__ == "__main__":
    # 输入数据
    X = np.array([[0,0], [0,1], [1,0], [1,1]])
    # 目标输出
    y = np.array([[0], [1], [1], [0]])
    
    # 定义神经网络
    nn = NeuralNetwork(input_size=2, hidden_size=4, output_size=1)
    
    # 训练神经网络
    nn.train(X, y, epochs=10000)
    
    # 打印训练后的输出
    print("Final Output:")
    print(nn.forward(X))

这个代码定义了一个简单的具有一个隐藏层的前馈神经网络。你可以根据需要调整输入大小、隐藏层大小和输出大小。在训练过程中，它会打印出每一次迭代的错误，最后输出训练后的神经网络对于给定输入的输出。

初始化：

在 __init__ 方法中，我们初始化了神经网络的参数：输入层大小，隐藏层大小和输出层大小。权重和偏置被随机初始化。weights_input_hidden 是输入层到隐藏层的权重矩阵。weights_hidden_output 是隐藏层到输出层的权重矩阵。bias_input_hidden 是隐藏层的偏置。bias_hidden_output 是输出层的偏置。

前向传播：

forward 方法接受输入数据 X，并通过矩阵乘法和激活函数计算隐藏层和输出层的输出。

反向传播：

backward 方法根据前向传播的输出和实际标签 y，计算误差，并根据误差调整权重和偏置。这里使用了 sigmoid 函数的导数来计算误差对于输出的影响。更新权重和偏置时，使用了梯度下降的方法。

训练：

train 方法接受输入数据 X、目标输出 y 和迭代次数 epochs，并使用反向传播来训练神经网络。在每次迭代中，我们计算前向传播的输出，然后通过反向传播更新权重和偏置。打印出每一次迭代的错误，以便监控训练的进展。

主程序：

在主程序中，我们定义了输入数据 X 和目标输出 y，这是一个 XOR 逻辑门的示例。我们定义了一个神经网络对象 nn，并对其进行训练。最后，打印出训练后神经网络的输出。