数学之路(3)-机器学习(3)-机器学习算法-神经网络[15]

我们接着继续对sin()*0.6函数进行拟合，将输出目标矩阵修改

#x和d样本初始化
train_x =[]
d=[]
for yb_i in xrange(0,500):
    train_x.append([np.random.rand()*4*np.pi-2*np.pi])
for yb_i in xrange(0,500):
    d.append(np.sin(train_x[yb_i])*0.6)

然后运行：
>>> runfile(r'K:\book_prog\ann_bpnhsin2.py', wdir=r'K:\book_prog')

产生权值初始矩阵 . . . . . . . . . . . . . . .
权值矩阵平均:-0.000290
权值矩阵方差:0.237405
-------开始第1次训练--------- 误差为：1.203455
-------开始第2次训练--------- 误差为：0.251600
-------开始第3次训练--------- 误差为：0.171428
-------开始第4次训练--------- 误差为：0.150638
-------开始第5次训练--------- 误差为：0.139607
-------开始第6次训练--------- 误差为：0.117046
-------开始第7次训练--------- 误差为：0.094542
-------开始第8次训练--------- 误差为：0.094638
-------开始第9次训练--------- 误差为：0.081085
-------开始第10次训练--------- 误差为：0.069825
-------开始第11次训练--------- 误差为：0.055752
-------开始第12次训练--------- 误差为：0.051543
-------开始第13次训练--------- 误差为：0.047403
-------开始第14次训练--------- 误差为：0.041153
-------开始第15次训练--------- 误差为：0.037089
-------开始第16次训练--------- 误差为：0.041293
-------开始第17次训练--------- 误差为：0.031686
-------开始第18次训练--------- 误差为：0.029040
-------开始第19次训练--------- 误差为：0.027352
-------开始第20次训练--------- 误差为：0.027436
-------开始第21次训练--------- 误差为：0.025903
-------开始第22次训练--------- 误差为：0.027313
-------开始第23次训练--------- 误差为：0.023676
-------开始第24次训练--------- 误差为：0.024387
-------开始第25次训练--------- 误差为：0.023643
-------开始第26次训练--------- 误差为：0.022920
-------开始第27次训练--------- 误差为：0.024208
-------开始第28次训练--------- 误差为：0.021497
-------开始第29次训练--------- 误差为：0.021265
-------开始第30次训练--------- 误差为：0.024273
-------开始第31次训练--------- 误差为：0.021759
-------开始第32次训练--------- 误差为：0.021423
-------开始第33次训练--------- 误差为：0.021184
-------开始第34次训练--------- 误差为：0.020763
-------开始第35次训练--------- 误差为：0.019938
训练成功，正在进行检验

本博客所有内容是原创，未经书面许可，严禁任何形式的转载

http://blog.csdn.net/u010255642