BP网络搭建和例题测试

最新推荐文章于 2023-08-10 19:09:42 发布

阿舒带你学编程

最新推荐文章于 2023-08-10 19:09:42 发布

阅读量104

点赞数

分类专栏： java 后端文章标签： java 后端

本文链接：https://blog.csdn.net/m0_55613022/article/details/123597009

版权

java 同时被 2 个专栏收录

245 篇文章 3 订阅

订阅专栏

后端

25 篇文章 0 订阅

订阅专栏

这段代码展示了如何用Python实现一个简单的神经网络模型，并强调了从DataFrame转换为数组以提升训练速度的重要性。代码中定义了sigmoid激活函数，加载数据，初始化权重，并进行了前向传播和反向传播操作。在训练过程中，记录并显示了每轮的平均误差。最终，代码对测试集进行了预测，输出了预测值。

摘要由CSDN通过智能技术生成

1.代码如下：

# -*- coding: utf-8 -*-
"""
Created on Mon Mar 14 18:58:05 2022

@author: L
"""
import math
import pandas as pd
import numpy  as np
import matplotlib.pyplot as plt
from pandas import DataFrame,Series
#定义函数：
def sigmoid(x):
    return  1/(1+math.exp(-x))
#读取数据
data_tr=pd.read_csv('D:\text_class\data_tr.txt')
data_te=pd.read_csv('D:\text_class\data_te.txt')
#设置学习量
yita=0.3
#设置结构
Err = []
Net_in=DataFrame(0.6,index=['input1','input2','theata'],columns=['a'])
Out_in=DataFrame(0,index=['input1','input2','input3','input4','theata'],columns=['a'])
Net_in.iloc[2,0]=-1 
Out_in.iloc[4,0]=-1
W_mid=DataFrame(0.5,index=['input1','input2','theata'],columns=['mid1','mid2','mid3','mid4'])
W_out=DataFrame(0.5,index=['input1','input2','input3','input4','theata'],columns=['a'])
W_mid_delta=DataFrame(0,index=['input1','input2','theata'],columns=['mid1','mid2','mid3','mid4'])
W_out_delta=DataFrame(0,index=['input1','input2','input3','input4','theata'],columns=['a'])
#设置训练
n=len(data_tr)
for j in range(1000):
    error = []
    for i in range(n):
        Net_in.iloc[0,0]=data_tr.iloc[i,0]
        Net_in.iloc[1,0]=data_tr.iloc[i,1]
        real=data_tr.iloc[i,2]
        for t in range(0,4):
            Out_in.iloc[t,0]=sigmoid(sum(W_mid.iloc[:,t]*Net_in.iloc[:,0]))
        res=sigmoid(sum(Out_in.iloc[:,0]*W_out.iloc[:,0]))
        error.append(abs(res-real))
        print(i,':',res,real)
        W_out_delta.iloc[:,0]=yita*res*(1-res)*(real-res)*Out_in.iloc[:,0]
        W_out_delta.iloc[4,0]=-(yita*res*(1-res)*(real-res))
        W_out=W_out+W_out_delta
        for g in range(0,4):
            W_mid_delta.iloc[:,g]=yita*Out_in.iloc[g,0]*(1-Out_in.iloc[g,0])*W_out.iloc[g,0]*res*(1-res)*(real-res)*Net_in.iloc[:,0]
            W_mid_delta.iloc[2,g]=-(yita*Out_in.iloc[g,0]*(1-Out_in.iloc[g,0])*W_out.iloc[g,0]*res*(1-res)*(real-res))
        W_mid=W_mid+W_mid_delta
    Err.append(np.mean(error))
print(W_mid,W_out)
plt.plot(Err)#训练集上每一轮的平均误差
plt.show()
plt.close()
#测试部分
error_te=[]
k=len(data_te)
Net_in.iloc[2,0]=-1 
Out_in.iloc[4,0]=-1
for i in range(k):
    Net_in.iloc[0,0]=data_te.iloc[i,0]
    Net_in.iloc[1,0]=data_te.iloc[i,1]
    real=data_te.iloc[i,2]
    for t in range(0,4):
        Out_in.iloc[t,0]=sigmoid(sum(W_mid.iloc[:,t]*Net_in.iloc[:,0]))
    res=sigmoid(sum(Out_in.iloc[:,0]*W_out.iloc[:,0]))
    error_te.append(abs(res-real))
plt.plot(error_te)#训练集上每一轮的平均误差
plt.show()
plt.close()

该代码使用了DataFrame模块，运行速度会很慢，训练1000次需要30多分钟，可用数组代替，效率会快很多

运行结果如下：

2.求出预测值

题如下：

代码如下：

# -*- coding: utf-8 -*-
"""
Created on Sun Mar 13 20:56:46 2022

@author: L
"""

import math
import pandas as pd
import numpy  as np
import matplotlib.pyplot as plt
from pandas import DataFrame,Series
#定义函数：
def sigmoid(x):
    return  1/(1+math.exp(-x))
#读取数据
data_tr=pd.read_csv('D:\text_class\data_tr_else.txt')
data_te=pd.read_csv('D:\text_class\data_te_else.txt')
#设置学习量
yita=0.3
#设置结构
Err = []
Net_in=DataFrame(0.6,index=['input1','input2','theata'],columns=['a'])
Out_in=DataFrame(0,index=['input1','input2','input3','input4','theata'],columns=['a'])
Net_in.iloc[2,0]=-1 
Out_in.iloc[4,0]=-1
W_mid=DataFrame(0.5,index=['input1','input2','theata'],columns=['mid1','mid2','mid3','mid4'])
W_out=DataFrame(0.5,index=['input1','input2','input3','input4','theata'],columns=['a'])
W_mid_delta=DataFrame(0,index=['input1','input2','theata'],columns=['mid1','mid2','mid3','mid4'])
W_out_delta=DataFrame(0,index=['input1','input2','input3','input4','theata'],columns=['a'])
#设置训练
n=len(data_tr)
for j in range(1000):
    error = []
    for i in range(n):
        Net_in.iloc[0,0]=data_tr.iloc[i,0]
        Net_in.iloc[1,0]=data_tr.iloc[i,1]
        real=data_tr.iloc[i,2]
        for t in range(0,4):
            Out_in.iloc[t,0]=sigmoid(sum(W_mid.iloc[:,t]*Net_in.iloc[:,0]))
        res=sigmoid(sum(Out_in.iloc[:,0]*W_out.iloc[:,0]))
        error.append(abs(res-real))
        print(i,':',res,real)
        W_out_delta.iloc[:,0]=yita*res*(1-res)*(real-res)*Out_in.iloc[:,0]
        W_out_delta.iloc[4,0]=-(yita*res*(1-res)*(real-res))
        W_out=W_out+W_out_delta
        for g in range(0,4):
            W_mid_delta.iloc[:,g]=yita*Out_in.iloc[g,0]*(1-Out_in.iloc[g,0])*W_out.iloc[g,0]*res*(1-res)*(real-res)*Net_in.iloc[:,0]
            W_mid_delta.iloc[2,g]=-(yita*Out_in.iloc[g,0]*(1-Out_in.iloc[g,0])*W_out.iloc[g,0]*res*(1-res)*(real-res))
        W_mid=W_mid+W_mid_delta
    Err.append(np.mean(error))
print(W_mid,W_out)
plt.plot(Err)#训练集上每一轮的平均误差
plt.show()
plt.close()
#测试部分


k=len(data_te)
Net_in.iloc[2,0]=-1 
Out_in.iloc[4,0]=-1
for i in range(k):
    Net_in.iloc[0,0]=data_te.iloc[i,0]
    Net_in.iloc[1,0]=data_te.iloc[i,1]
    for t in range(0,4):
        Out_in.iloc[t,0]=sigmoid(sum(W_mid.iloc[:,t]*Net_in.iloc[:,0]))
    res=sigmoid(sum(Out_in.iloc[:,0]*W_out.iloc[:,0]))
    print('第'+str(i)+'个预测值为: '+str(res))

运行结果如下：

3008

阿舒带你学编程

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
BP网络搭建和例题测试

1.代码如下：# -*- coding: utf-8 -*-"""Created on Mon Mar 14 18:58:05 2022@author: L"""import mathimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom pandas import DataFrame,Series#定义函数：def sigmoid(x): return 1/(1+math.exp
复制链接

扫一扫

专栏目录