import numpy as np
#激活函数
def sigmoid(x):
return 1/(1+np.exp(-x))
#sigmoid的导数
def sigmoid_backward(x):
return x*(1-x)
#创建数据集5x3
X=np.array([[0,1,1],
[1,1,0],
[0,0,1],
[1,0,1],
[1,1,0]
])
#特征值
y=np.array([[0],[1],[1],[0],[0]])
#创建权重值w0 3*4
w0=2*np.random.random((3,4))-1
#w1 4*1
w1=2*np.random.random((4,1))-1
# print(w0,w1)
# w0=np.random.random((3,4))
# #w1 4*1
# w1=np.random.random((4,1))
# print(w0,w1)
np.random.seed(0)
#通过迭代来不断更新w权重值
for i in range(60000):
#######################################前向传播求损失值
l0=X
#创建输入层,并使用sigmoid函数
#第一层w1
#5*3--3*4->5*4
l1=sigmoid(np.dot(l0,w0))
# print("l1",l1.shape)#5*4
#第二层
#5*4--4*1->5*1
l2=sigmoid(np.dot(l1,w1))
# print("l2",l2.shape)#5*1
#计算损失值 每一个样本针对自己的真实值求得到的损失值
l2_error=y-l2#真实值-预测值
#样本的平均损失值
if (i%10000)==0:
loss=np.mean(np.abs(l2_error))
print("第%s次迭代"%(i+1),"得到的损失值",loss)
#################################反向传播更新损失值
#l2的导数
l2_delta=l2_error*sigmoid_backward(l2)############l2_error是控制对w0,w1的更新力度
# print("l2的导数",l2_delta.shape)#5*1
#在l1层 每个样本的损失值
l1_error=np.dot(l2_delta,w1.T)
# print("l1层的损失值",l1_error.shape)
#l1的导数
l1_delta=l1_error*sigmoid_backward(l1)
# print("l1的导数",l1_delta.shape)#5*4
####4*1<-4*5--5*1
w1_delta=np.dot(l1.T,l2_delta)
# print(w1_delta.shape)#4*1
w0_delta=np.dot(l0.T,l1_delta)
# print(w0_delta.shape)#3*4
#得到最优权重值
w0+=w0_delta
w1+=w1_delta
深度学习---前向传播和反向传播的推导过程
最新推荐文章于 2023-07-12 14:27:04 发布