神经网络--假期---2020.2.12----神经网络源码

import numpy as np
def sigmoid(x,deriv = False):#激活函数，方位标志
    if(deriv ==True):#反向传播返回导数 
        return x*(1-x)#现在的x为被激活之后x
    return 1/(1+np.exp(-x))
#有三个特征，五个样本
x= np.array([[0,0,1],
           [0,1,1],
           [1,0,1],
             [1,1,1],
             [0,0,1]])
print(x.shape)
y=np.array([[0],
           [1],
           [1],
           [0],
           [0]])#label
print(y.shape)
np.random.seed(1)
#有监督的算法，要定义y
w0 =2*np.random.random((3,4))-1#3行四列3个特征，l1有4个神经元/-1——1之间的随机数
w1 = 2*np.random.random((4,1))-1#输出值唯一
print(w0)
for j in range(5):
    l0=x
    l1=sigmoid(np.dot(l0,w0))
    l2=sigmoid(np.dot(l1,w1))
    l2_error = y-l2
    print(l2_error.shape)
    if (j%100000)==0:#打印当前误差值
        print('Error'+str(np.mean(np.abs(l2_error))))
    l2_delta =l2_error*sigmoid(l2,deriv =True)    #对应相乘，每个样本的值。错的越多，更新的越大
    print(l2_delta.shape)
    l1_error = l2_delta.dot(w1.T)
    l1_delta = l1_error * sigmoid(l1,deriv =True)
    w1 +=l1.T.dot(l2_delta)#点乘上一层的误差,w1对l2产生的误差
    w1 +=l0.T.dot(l1_delta)