三层神经网络简单实现（Python版）

最新推荐文章于 2024-09-09 00:08:20 发布

RYP_S

最新推荐文章于 2024-09-09 00:08:20 发布

阅读量4.7k

点赞数

分类专栏：机器学习文章标签：深度学习神经网络 BP算法

本文链接：https://blog.csdn.net/renyp8799/article/details/51014404

版权

本文详细介绍了如何使用Python实现一个简单的三层神经网络，涵盖了深度学习基础，包括神经网络结构、反向传播（BP）算法的应用。通过实例代码解析，帮助读者理解神经网络的工作原理。

摘要由CSDN通过智能技术生成

#!/usr/bin/python
#--coding=utf-8--
import numpy as np

def nonlin(x,deriv = False):
        if(deriv == True):
            return x*(1-x)
        return 1/(1+np.exp(-x))

X = np.array([[0,0,1],
              [0,1,1],
              [1,0,1],
              [1,1,1]])

y = np.array([[0],[1],[1],[0]])
np.random.seed(1)

syn0 = 2*np.random.random((3,4)) - 1  #第一层权值
syn1 = 2*np.random.random((4,1)) - 1  #第二层权值

for j in xrange(60000):
    L0 = X                        #输入层
    L1 = nonlin(np.dot(L0,syn0))  #隐含层
    L2 = nonlin(np.dot(L1,syn1))  #输出层

    L2_error = y - L2

    if(j%10000) == 0:
        print "Erroe: " + str(np.mean(np.abs(L2_error)))

    L2_delta = L2_error*nonlin(L2,deriv=True) #基于置信度衡量的输出误差，即当斜率很平缓时，结果是很让人相信的

    L1_error = L2_delta.dot(syn1.T) #L2_delta的权值是由syn1的权值决定的，因此可以计算隐含层误差
    L1_delta = L1_error*nonlin(L1,deriv=True)