python实现神经网络_Python实现的三层BP神经网络算法示例

本文实例讲述了Python实现的三层BP神经网络算法。分享给大家供大家参考，具体如下：

这是一个非常漂亮的三层反向传播神经网络的python实现，下一步我准备试着将其修改为多层BP神经网络。

下面是运行演示函数的截图，你会发现预测的结果很惊人！

提示：运行演示函数的时候，可以尝试改变隐藏层的节点数，看节点数增加了，预测的精度会否提升

import math

import random

import string

random.seed(0)

# 生成区间[a, b)内的随机数

def rand(a, b):

return (b-a)*random.random() + a

# 生成大小 I*J 的矩阵，默认零矩阵 (当然，亦可用 NumPy 提速)

def makeMatrix(I, J, fill=0.0):

m = []

for i in range(I):

m.append([fill]*J)

return m

# 函数 sigmoid，这里采用 tanh，因为看起来要比标准的 1/(1+e^-x) 漂亮些

def sigmoid(x):

return math.tanh(x)

# 函数 sigmoid 的派生函数, 为了得到输出 (即：y)

def dsigmoid(y):

return 1.0 - y**2

class NN:

''' 三层反向传播神经网络 '''

def __init__(self, ni, nh, no):

# 输入层、隐藏层、输出层的节点（数）

self.ni = ni + 1 # 增加一个偏差节点

self.nh = nh

self.no = no

# 激活神经网络的所有节点（向量）

self.ai = [1.0]*self.ni

self.ah = [1.0]*self.nh

self.ao = [1.0]*self.no

# 建立权重（矩阵）

self.wi = makeMatrix(self.ni, self.nh)

self.wo = makeMatrix(self.nh, self.no)

# 设为随机值

for i in range(self.ni):

for j in range(self.nh):

self.wi[i][j] = rand(-0.2, 0.2)

for j in range(self.nh):

for k in range(self.no):

self.wo[j][k] = rand(-2.0, 2.0)

# 最后建立动量因子（矩阵）

self.ci = makeMatrix(self.ni, self.nh)

self.co = makeMatrix(self.nh, self.no)

def update(self, inputs):

if len(inputs) != self.ni-1:

raise ValueError('与输入层节点数不符！')

# 激活输入层

for i in range(self.ni-1):

#self.ai[i] = sigmoid(inputs[i])

self.ai[i] = inputs[i]

# 激活隐藏层

for j in range(self.nh):

sum = 0.0

for i in range(self.ni):

sum = sum + self.ai[i] * self.wi[i][j]

self.ah[j] = sigmoid(sum)

# 激活输出层

for k in range(self.no):

sum = 0.0

for j in range(self.nh):

sum = sum + self.ah[j] * self.wo[j][k]

self.ao[k] = sigmoid(sum)

return self.ao[:]

def backPropagate(self, targets, N, M):

''' 反向传播 '''

if len(targets) != self.no:

raise ValueError('与输出层节点数不符！')

# 计算输出层的误差

output_deltas = [0.0] * self.no

for k in range(self.no):

error = targets[k]-self.ao[k]

output_deltas[k] = dsigmoid(self.ao[k]) * error

# 计算隐藏层的误差

hidden_deltas = [0.0] * self.nh

for j in range(self.nh):

error = 0.0

for k in range(self.no):

error = error + output_deltas[k]*self.wo[j][k]

hidden_deltas[j] = dsigmoid(self.ah[j]) * error

# 更新输出层权重

for j in range(self.nh):

for k in range(self.no):

change = output_deltas[k]*self.ah[j]

self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]

self.co[j][k] = change

#print(N*change, M*self.co[j][k])

# 更新输入层权重

for i in range(self.ni):

for j in range(self.nh):

change = hidden_deltas[j]*self.ai[i]

self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]

self.ci[i][j] = change

# 计算误差

error = 0.0

for k in range(len(targets)):

error = error + 0.5*(targets[k]-self.ao[k])**2

return error

def test(self, patterns):

for p in patterns:

print(p[0], '->', self.update(p[0]))

def weights(self):

print('输入层权重:')

for i in range(self.ni):

print(self.wi[i])

print()

print('输出层权重:')

for j in range(self.nh):

print(self.wo[j])

def train(self, patterns, iterations=1000, N=0.5, M=0.1):

# N: 学习速率(learning rate)

# M: 动量因子(momentum factor)

for i in range(iterations):

error = 0.0

for p in patterns:

inputs = p[0]

targets = p[1]

self.update(inputs)

error = error + self.backPropagate(targets, N, M)

if i % 100 == 0:

print('误差 %-.5f' % error)

def demo():

# 一个演示：教神经网络学习逻辑异或（XOR）------------可以换成你自己的数据试试

pat = [

[[0,0], [0]],

[[0,1], [1]],

[[1,0], [1]],

[[1,1], [0]]

]

# 创建一个神经网络：输入层有两个节点、隐藏层有两个节点、输出层有一个节点

n = NN(2, 2, 1)

# 用一些模式训练它

n.train(pat)

# 测试训练的成果（不要吃惊哦）

n.test(pat)

# 看看训练好的权重（当然可以考虑把训练好的权重持久化）

#n.weights()

if __name__ == '__main__':

demo()

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数据结构与算法教程》、《Python编码操作技巧总结》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。

您可能感兴趣的文章:

Python实现的人工神经网络算法示例【基于反向传播算法】

Python编程实现的简单神经网络算法示例

python实现神经网络感知器算法

Python实现的递归神经网络简单示例

Python基于numpy灵活定义神经网络结构的方法

python机器学习之神经网络（一）

神经网络理论基础及Python实现详解

Python与人工神经网络:使用神经网络识别手写图像介绍

Python实现感知器模型、两层神经网络

python机器学习之神经网络（三）

python机器学习之神经网络（二）

Python实现的径向基（RBF）神经网络示例

时间： 2018-02-04