一个简单的神经网络（不调用numpy或其他库函数实现）

1.神经网络结构图

我编写的以两个输入为例子。

#设置训练的数据组（逻辑或运算)
inputs=[[0,0],[1,1],[0,1]]
outputs=[0,1,1]

Step1: 输入乘以权重
total=x1w1+x2w2

Step2: 带入激活函数sigmoid(x)
该神经网络将使用Sigmoid function作为激活函数，其绘制了一个典型的S形曲线：

此函数可以将任意值映射到区间0~1之间，它将帮助我们规范化输入值的和权重乘积之和即total。

import math

#激活函数sigmoid(x)
#将输出的值控制在0到1区间
def sigmoid(x):
    return 1/(1+math.exp(-x))


#设置训练的数据组（逻辑或运算)
inputs=[[0,0],[1,1],[0,1]]
outputs=[0,1,1]

#设置权重 在下面的迭代中不断修改.
weights=[0.2,0.8]

for n in range(10000):
    calculate_output=[0,0,0]
    error=[0,0,0]
    delta=[0,0,0]
    adjustment=[0,0]
    #计算预测值
    for i in range(3):
        for j in range(2):
            total=inputs[i][j]*weights[j]
        calculate_output[i]=sigmoid(total)
  #  print("After caculating, output:")
  #  print(calculate_output)
    
    for i in range(3):
        #计算误差
        error[i]=outputs[i]-calculate_output[i]
        #计算增量 error*k
        delta[i]=error[i]*calculate_output[i]*(1-calculate_output[i])
  # print("Error的值：")
  # print(error)
  # print("增量的值：")0
  # print(delta)

    #更新权重
    for m in range(2):
        for n in range(3):
            adjustment[m]+=inputs[n][m]*delta[n]
        weights[m]+=adjustment[m]
    print("更新后的权重：")
    print(weights)

#测试新的数据[1,0] 我们期待的输出是1
a=[1,0]
sum=0
for i in range(2):
    sum+=a[i]*weights[i]
print(sigmoid(sum))