BP神经网络的原理及Python实现

本文主要讲如何不依赖TenserFlow等高级API实现一个简单的神经网络来做分类，所有的代码都在下面；在构造的数据（通过程序构造）上做了验证，经过1个小时的训练分类的准确率可以达到97%。

完整的结构化代码见于

https://github.com/conggova/SimpleBPNetwork.git

先来说说原理

网络构造

上面是一个简单的三层网络；输入层包含节点X1 , X2；隐层包含H1，H2；输出层包含O1。
输入节点的数量要等于输入数据的变量数目。
隐层节点的数量通过经验来确定。
如果只是做分类，输出层一般一个节点就够了。

从输入到输出的过程

1.输入节点的输出等于输入，X1节点输入x1时，输出还是x1.
2. 隐层和输出层的输入I为上层输出的加权求和再加偏置，输出为f(I) ， f为激活函数，可以取sigmoid。H1的输出为 sigmoid(w1x1 + w2x2 + b)

误差反向传播的过程

Python实现

构造测试数据

# -*- coding: utf-8 -*-
import numpy as np
from random import random as rdn

'''
说明：我们构造1000条数据，每条数据有三个属性(用a1 , a2 , a3表示)
a1 离散型  取值 1 到 10 ， 均匀分布
a2 离散型  取值 1 到 10 ， 均匀分布
a3 连续型  取值 1 到 100 ， 且符合正态分布 
各属性之间独立。

共2个分类(0 , 1)，属性值与类别之间的关系如下，
0 : a1 in [1 , 3]  and a2 in [4 , 10] and a3 <= 50
1 : a1 in [1 , 3]  and a2 in [4 , 10] and a3 > 50
0 : a1 in [1 , 3]  and a2 in [1 ,  3] and a3 > 30
1 : a1 in [1 , 3]  and a2 in [1 ,  3] and a3 <= 30
0 : a1 in [4 , 10] and a2 in [4 , 10] and a3 <= 50
1 : a1 in [4 , 10] and a2 in [4 , 10] and a3 > 50
0 : a1 in [4 , 10] and a2 in [1 ,  3] and a3 > 30
1 : a1 in [4 , 10] and a2 in [1 ,  3] and a3 <= 30
'''


def genData() :
    #为a3生成符合正态分布的数据
    a3_