# **使用python实现简单神经网络**
根据博主的经历,许多人在学习神经网络的时候都存在眼高手低的情况,或者对那宛如天书一样的数学公式望而却步,作为一个刚刚入门的菜鸟,接触到了一个大牛写的实现神经网络的小程序,受益匪浅,在这里和大家分享一下。
话不多说,直接上代码
#coding=utf-8
import numpy as np #导入唯一的包
def sigmoid(x, deriv=False): #定义激活函数,这里可以换成其他激活函数?例如tanh/relu
if(deriv==True):
return x*(1-x) #返回导数值
else:
return 1/(1+np.exp(-x)) #返回sigmoid值
X=np.array([ [0,0,1],
[1,1,1],
[1,0,1],
[0,1,1]
]) #训练集,这里是个4*3的数据
Y = np.array([[0,1,1,0]]).T #标签
np.random.random(1) #随机种子
syn0 = np.random.random([3,1]) #生成一个随机的3*1的向量,作为初始化的权重
for i in range(100000): #设置循环次数,这里次数越大,权重训练的越好
l0 = X
y = Y
l1 = sigmoid(np.dot(X,syn0))
'''
利用dot函数用训练集乘以初始化的权重,得到一个4*1的向量,然后用sigmoid函数将网络输出做非线性化处理
'''
l1_error = y-l1
'''
计算出误差值
'''
l1_delta = l1_error*sigmoid(l1,True)
'''
当l1较大或者较小时,计算出此时输出在激活函数导函数上对应的值,这个值一定很小
'''
syn0 += np.dot(l0.T,l1_delta)
'''
调整参数
'''
l2=np.array([0,0,1]) #测试数据
l3=sigmoid(np.dot(l2,syn0)) #利用训练出来的数据对测试数据进行预测
print '网络最终的输出为:'
print l1
print '针对测试集进行预测,结果为'
print l3
``