import numpy as np
import random
#输入数据分别:偏置值,x1,x2
X = np.array([[0,0],
[0,1],
[1,0],
[1,1]])
#标签,期望值
Y = np.array([[0,1,1,0]])
#权值初始化,取值范围-1到1
V = np.random.random((2,3))*2-1 #(2,4)输入层2个,隐含层4个
W = np.random.random((3,1))*2-1 #(4,1)隐含层4个。输出层1个
# print(V)
# print(W)
#学习率设置
# lr = 0.11
lr1 = random.random() # random.random()随机生成0-1之间的小数
lr2 = random.random() # random.random()随机生成0-1之间的小数
print("学习速率:",lr1,lr2)
# sigmoid函数
def sigmoid(x):
return 1/(1+np.exp(-x))
# sigmoid函数求导
def dsigmoid(x):
# return x*(1-x)
return sigmoid(x)*(1-sigmoid(x))
def update():
global X,Y,W,V,lr1,lr2#输入,输出,权值,权值,学习率
# L1:输入层传递给隐藏层的值;输入层3个节点,隐藏层4个节点
# L2:隐藏层传递到输出层的值;输出层1个节点
L1 = sigmoid(np.dot(X,V))#隐藏层输出(4,4),没有减去阈值
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
# L2_delta:输出层的误差信号
# L1_delta:隐藏层的误差信号
L2_delta = (Y.T - L2)*dsigmoid(L2)
L1_delta = L2_delta.dot(W.T)*dsigmoid(L1)
# W_C:输出层对隐藏层的权重改变量
# V_C:隐藏层对输入层的权重改变量
# 调整权值
# W_C = lr*L1.T.dot(L2_delta)
W_C =lr1*np.dot(L1.T,L2_delta)
V_C = lr2*np.dot(X.T,L1_delta)
#V_C = lr2*X.T.dot(L1_delta)
W = W+W_C
V = V+V_C
# 结束循环的标志是在精确度达标的时候,如果精确度不够,则一直循环,缺点是:如果初始点选取的不好,则有可能陷入死循环。
while True:
update()#更新权值
E=np.mean(np.abs(Y.T-L2))
# 误差,去吧感情也都有
if E<0.05:
break
if i%5000==0:
L1 = sigmoid(np.dot(X,V))#隐藏层输出(4,4)
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
print('当前误差:',np.mean(np.abs(Y.T-L2)))
# 如果想指定循环次数的话,可以用以下几行代码
# for i in range(20000):
# update()#更新权值
# # 循环中,余数为0的打印出当前误差
# if i%5000==0:
# L1 = sigmoid(np.dot(X,V))#隐藏层输出(4,4)
# L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
# print('当前误差:',np.mean(np.abs(Y.T-L2)))
L1 = sigmoid(np.dot(X,V))#隐藏层输出(4,4)
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
print(L2)
# 判断函数
def judge(x):
if x>=0.5:
return 1
else:
return 0
for i in map(judge,L2):
print(i)
# #打乱数据,测试一下,哈哈,测试结果正确
X = np.array([[0,1],
[1,1],
[1,0],
[0,0]])
L1 = sigmoid(np.dot(X,V))#隐藏层输出(4,4)
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
def judge(x):
if x>=0.5:
return 1
else:
return 0
for i in map(judge,L2):
print(i)
通过对其它BP算法在异或问题精确度的对比实验:
其它值固定时,BP神经网络在误差E<0.005时,没有阈值的循环了233190 次,有阈值的循环了 231046 次,有阈值的会比没阈值的少运算2000多次;
其它值固定时,BP神经网络在误差E<0.0005时,无阈值循环运行了22076828次,有阈值循环运行了22172887次,有阈值的会比没阈值的多了100万次;
结论:有阈值可以提高BP神经网络运行效率的结论不成立。