# 手写一个两层的神经网络
import numpy as np
x = np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1],[0,0,1]])
y = np.array([[0],[1],[1],[1],[0]])
# 定义sigmoid函数
def sigmoid(x,deriv = False):
if deriv == True: # 导数为deriv==True
return x*(1-x)
else:
return 1/(1+np.exp(-x))
np.random.seed(1)
#初始化权重参数
w0 = np.random.randn(3,4) # 第一层的
w1 = np.random.randn(4,1) # 第二层的
# 循环迭代
for j in range(60000):
l0 = x
l1 = sigmoid(np.dot(l0, w0))
l2 = sigmoid(np.dot(l1, w1))
l2_error = y - l2 # 前4行进行前向传播
if j % 10000 == 0:
print('loss'+':' + str(np.mean(np.abs(l2_error)))) # 每1万次打印一次
l2_delta = l2_error * sigmoid(l2, deriv=True)
l1_error = l2_delta.dot(w1.T)
l1_delta = l1_error * sigmoid(l1, deriv=True) # 反向传播
w1 += l1.T.dot(l2_delta)
w0 += l0.T.dot(l1_delta) # 超参更新
手写一个二层的神经网络
最新推荐文章于 2022-02-28 11:43:12 发布