@BP神经网络算法python 底层
TOC
大家好,我是朱比特
本节 主要讲解的是BP神经网络算法流程以及代码复现
下面几张图片主要是我学习过程的一些笔记,希望对大家的学习有一定的帮助。
##这里主要解释了梯度下降原理和3层网络的构建过程以及BP算法流程,利用链式法则对误差函数求偏导数的过程(算法的数学原理)
接下来是我简单构建的一个3层神经网络的代码过程。
此处我存在一个疑惑,当sigmoid函数遇到标签分类是【1,2,3】此类大于1的数据时,sigmoid函数是不是就失效了
在此,我想到一个有局限性的解决方法:对原excel的文件进行提前处理,比如对iris数据集 我将标签值和数据值都除以10,使得数据的值域位于【0:1】之间,这样做的训练效果比较好,能够适应sigmoid函数的局限性
但是这样的方法对于一些值域差距比较大的数据集适用性比较差,比如win数据集 长度4000宽度5 对数据值的预处理比较麻烦,因此这是我的一个疑惑点!
(ps:我也是在学习神经网络的过程中,如果有大神希望能帮我解决这个疑惑0,0)
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.utils import shuffle
def getdata(fpath):
'''
定义getdata 获取训练集数据
'''
#fpath = r'd:iris.xls'
object = pd.read_excel(fpath)
object = shuffle(object)
m1 = object.iloc[0:120, 0:5]
k3 = []
k4=[]
o=[]
m2 = m1.values.tolist()
k1 = object.iloc[0:120, 0:5]
k2 = k1.values.tolist()
for i in k2:
k3.append(i)
for i in k3:
o.append([i[4]])
labelset = np.array(o)
for i in k3:
k4.append(i[0:4])
dataset = np.array(k4)
return dataset,<