【无标题】

import numpy as np #导入numpy工具包
import matplotlib.pyplot as plt #导入画图工具包
 
#输入数据
X = np.array([[0,0],
              [0,1],
              [1,0],
              [1,1]])
 
#标签
T = np.array([[0], #0与0异或为0
              [1], #0与1异或为1
              [1],  #1与0异或为1
              [0]]) #1与1异或为0
 
#定义一个2层的神经网络：2-10-1
#输入层2个神经元，隐藏层10个神经元，输出层1个神经元
#输入层到隐藏层的权值初始化,2行10列
W1=np.random.random([2,10])
#隐藏层到输出层的权值初始化，10行1列
W2=np.random.random([10,1])
#初始化偏置值，偏置值的初始化一般可以取0，或者一个比较小的常数，如0.1
b1=np.zeros([10])
#输出层的一个神经元偏置
b2=np.zeros([1])
#学习率设置
lr=0.1
#定义训练周期数
epochs=100001
#定义测试的周期数
test=5000
 
#定义sigmoid函数
def sigmoid(x):
    return 1/(1+np.exp(-x))
 
#定义sigmoid函数的导数
def dsigmoid(x):
    return x*(1-x)
 
#更新权值和偏置值
def update():
    global X,T,W1,W2,lr,b1,b2  #设置为全局变量
 
    #隐藏层输出
    L1=sigmoid(np.dot(X,W1)+b1)
    #输出层输出
    L2=sigmoid(np.dot(L1,W2)+b2)
 
    #求输出层的学习信号
    delta_L2=(T-L2)*dsigmoid(L2)
    #隐藏层的学习信号
    delta_L1=delta_L2.dot(W2.T)*dsigmoid(L1)
 
    #求隐藏层到输出层的权值改变
    #由于一次计算了多个样本，所以需要取平均值
    delta_W2=lr*L1.T.dot(delta_L2)/X.shape[0]
    #输入层到隐藏层的权值改变
    delta_W1=lr*X.T.dot(delta_L1)/X.shape[0]
 
    #更新权值
    W2 = W2+delta_W2
    W1 = W1+delta_W1
 
    #改变偏置值
    #由于一次计算了多个样本，所以需要求平均
    # np.mean axis=0的时候计算每一列的平均值，axis=1时，计算每一行的平均值，没有axis就是对所有元素求均值
    b2=b2+lr*np.mean(delta_L2,axis=0)
    b1=b1+lr*np.mean(delta_L1,axis=0)
 
#定义空list用于保存loss
loss=[]
#训练模型
for i in range(epochs):
    #更新权值
    update()
    #每训练5000次计算一次loss值
    if i%test==0:
        #隐藏层输出
        L1=sigmoid(np.dot(X,W1)+b1)
        #输出层输出
        L2=sigmoid(np.dot(L1,W2)+b2)
        #计算loss值
        '''这里np.square是得到矩阵元素的平方
        代价函数为均方差代价函数'''
        print('epochs',i,'loss:',np.mean(np.square(T-L2)/2))
        #保存loss的值
        loss.append(np.mean(np.square(T-L2)/2))
 
#画出训练周期数与loss的关系图
plt.plot(range(0,epochs,test),loss)
plt.xlabel('epochs')
plt.ylabel('loss')
plt.show()
 
#隐藏层输出
L1 = sigmoid(np.dot(X,W1)+b1)
#输出层输出
L2= sigmoid(np.dot(L1,W2)+b2)
print('output')
print(L2)
 
#因为最终的分类只有0和1，所以我们可以把
#大一或者等于0.5的值归为1类，小于0.5的值归为0类
def predict(x):
    if x>=0.5:
        return 1
    else:
        return 0
 
#map会根据提供的函数对指定的序列做映射
#然后相当于依次把L2中的值放到predict函数中计算
#然后打印出结果
print('predict:')
for i in map(predict,L2):
    print(i)