思路:
首先有三个输入X0, X1, X2神经元,隐层有四个神经元Y0, Y1, Y2, Y3。最后是一个输出Output。其中:
X0与Y0, Y1, Y2, Y3的权值分别用V00, V01, V02, V03表示
X1与Y0, Y1, Y2, Y3的权值分别用V10, V11, V12, V13表示
X2与Y0, Y1, Y2, Y3的权值分别用V20, V21, V22, V23表示
Y0与Output的权值用W0表示
Y1与Output的权值用W1表示
Y2与Output的权值用W2表示
Y3与Output的权值用W3表示
那么,中间隐层的四个神经元Y0, Y1, Y2, Y3得到的结果为:
Y0=X0*V00+X1*V10+X2*V20
Y1=X0*V01+X1*V11+X2*V21
Y2=X0*V02+X1*V12+X2*V22
Y3=X0*V03+X1*V13+X2*V23
这样可以得到(Y0, Y1, Y2, Y3)
最后,我们需要求Output的值:
Output=Y0*W0 + Y1*W1 + Y2*W2 + Y3*W3
代码实现:
importnumpy as np#In[8]:
#输入数据
X = np.array([[1,0,0],
[1,0,1],
[1,1,0],
[1,1,1]])#标签
Y = np.array([[0,1,1,0]])#权值初始化,取值范围-1到1
V = np.random.random((3,4))*2-1W= np.random.random((4,1))*2-1
print(V)print(W)#学习率设置
lr = 0.11
defsigmoid(x):return 1/(1+np.exp(-x))defdsigmoid(x):return x*(1-x)defupdate():globalX,Y,W,V,lr
L1= sigmoid(np.dot(X,V))#隐藏层输出(4,4)
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
L2_delta= (Y.T - L2)*dsigmoid(L2)
L1_delta= L2_delta.dot(W.T)*dsigmoid(L1)
W_C= lr*L1.T.dot(L2_delta)
V_C= lr*X.T.dot(L1_delta)
W= W +W_C
V= V +V_C#In[10]:
for i in range(20000):
update()#更新权值
if i%500==0:
L1= sigmoid(np.dot(X,V))#隐藏层输出(4,4)
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
print('Error:',np.mean(np.abs(Y.T-L2)))
L1= sigmoid(np.dot(X,V))#隐藏层输出(4,4)
L2 = sigmoid(np.dot(L1,W))#输出层输出(4,1)
print(L2)defjudge(x):if x>=0.5:return 1
else:return0for i inmap(judge,L2):print(i)#In[ ]: