神经网络学习

import numpy as np


# 定义neuron，即sigmoid函数，模拟神经元的兴奋  deriv导
def neuron(x, deriv=False):
    if deriv:
        return x * (1 - x)
    return 1 / (1 + np.exp(-x))


# 输入数据
x = np.array([[0, 0, 1],
              [1, 1, 1],
              [1, 0, 1],
              [1, 1, 0]])

# 输出数据，通过与输出数据对应关系学习
y = np.array([[0, 1, 1, 1]]).T

np.random.seed(1)  # 生成确定随机数

# 初始化权值 这里有点不理解
syn0 = 2 * np.random.random((3, 1)) - 1 

for i in range(100000):
    l0 = x  # l0:第一层，输入层

    l1 = neuron(np.dot(l0, syn0))  # 第二层，输出层

    l1_error = y - l1  # l1_error:误差

    l1_delta = l1_error * neuron(l1,True)  # l1_delta:误差校正系数

    syn0 += np.dot(l0.T, l1_delta)  # syn0:初始权值

print("训练结果：\n",l1)

训练结果：
 [[0.00390028]
 [0.99945527]
 [0.99686458]
 [0.99999787]]