bp神经网络异或问题c语言,神经网络学习之----进军多层-BP神经网络-解决异或问题（代码实现）...

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[ ]: