基于sympy的python实现三层BP神经网络算法

#!/usr/bin/python
# -*- coding: utf-8 -*-
"""
写一个三层的BP神经网络（3，2，1）,3是输入数据的维度，隐层设置节点数为2，1是因为每个观测的target都是一个标量即只有一个数；
1.随机生成两个随机矩阵作为三个层之间的连接权值，注意矩阵大小设置；设定误差阈值等参数
2.使用i=random.randint(0,len(x)-1)随机产生一个样品的输入及target
3.使用权值w1,w2,sigmoid函数、diffsigmoid函数计算隐层和输出层的输入，输出
4.利用上面的随机样品的实际输出和期望输出之差e，用e求偏导de/dwho、de/dwih
5.梯度下降法更新权值w1,w2
6.再次计算全局误差，若满足设定的误差阈值，返回当前权值；否则重算
"""
print(__doc__)
import random
from sympy import *
import numpy as np
import pandas as pd
data=pd.read_csv("wenzi.csv",header='infer')
data=np.mat(data)
x=data[:, :3]
y=data[:, 3]

#激活函数
def sigmoid(x):
    return ( 1/(1+np.exp(-x)) )
#激活函数的导函数
def diffsigmoid(x):
    return (1- 1/(1+np.exp(-x)) )*( 1/(1+np.exp(-x)) )

def upgrade_w1_w2(): #i是随机选取的一个样本
    erro=0.01 #误差
    n_iter=500 #迭代次数
    learnrate=0.1 #学习率

gl