写了个多层感知器,用bp梯度下降更新,拟合正弦曲线,效果凑合。
# - * -编码:utf - 8 - *
进口numpy np
进口matplotlib。pyplot作为plt
def sigmod (z):
返回1.0/(1.0 + np.exp (- z))
中长期规划类(对象):
def __init__(自我,lr=0.1, lda=0.0, te=1 e-5,时代=100,大?None):
自我。learningRate=lr
自我。lambda_=lda
自我。thresholdError=te
自我。maxEpoch=时代
自我。大?大小
自我。W=[]
自我。b=[]
self.init ()
def init(自我):
因为我在xrange (len (self.size) 1):
self.W.append (np.mat (np.random.uniform(-0.5, 0.5,大?(自我。大小(i + 1), self.size[我]))))
self.b.append (np.mat (np.random.uniform(-0.5, 0.5,大?(自我。大小(i + 1), 1))))
def forwardPropagation(自我,项=None):=(项)
清洁剂的xrange (len (self.W)):
a.append (sigmod (self.W [wIndex] * [1] + self.b(清洁剂)))
”“”
打印”- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -”
因为我在一个:
打印i.shape,
打印
因为我在self.W:
打印i.shape,
打印
因为我在self.b:
打印i.shape,
打印
打印”- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -”
”“”
返回一个
def反向传播(自我,标签=,=None):
#打印“反向传播- - - - - - - - - - - - - - - - - - - - -开始”
δ=[([1]标签)* [1]* (1.0 - [1]))
因为我在xrange (len (self.W) 1):
美国广播公司(abc)=np。乘以(1 a[我],[我])
cba=np.multiply (self.W[我]。T *δ[1],abc)
delta.append (cba)
”“”
打印“+ + + + + + + + + + + + + +δ+ + + + + + + + + + + + + + + + + + + +”
打印“len(δ):len(δ)
在三角洲:二世
打印ii.shape,
打印“\ n======================================="
”“”
对j xrange (len(δ)):
广告=δ[j] * [2 j] .T
#打印self.W [1-j]。形状、ads.shape self.b [1-j]。形状,δ[j] .shape
自我。W [1-j]=self.W [1-j] -self.learningRate *(广告+ self.lambda_ * self.W [1-j])
自我。b [1-j]=self.b [1-j] -self.learningRate *δ[j]
“打印”=======================================1234 "
在ij self.b:
打印ij.shape,
打印
”“”
#打印“反向传播- - - - - - - - - - - - - - - - - - - - -完成”
错误=0.5 *([1]标签)* * 2
返回错误
def火车(自我,input_=None,目标=没有显示=10):
对ep xrange (self.maxEpoch):
错误=[]
对于itemIndex xrange (input_.shape [1]):
一个=自我。forwardPropagation (input_ [: itemIndex])
e=自我。反向传播(目标:,itemIndex,)
错误。追加(e [0])
tt=总和(错误)/len(错误)
如果tt & lt;self.thresholdError:
打印”完成{0}:“.format (ep), tt
返回
elif ep %显示==0:
打印”时代{0}:“.format (ep), tt
def sim(自我,inp=None):
返回self.forwardPropagation(项=inp) [1]
if __name__==癬_main__”:
tt=np。不等(0、6.28、0.01)
标签=np.zeros_like (tt)
打印tt.shape
”“”
阿宝在xrange (tt.shape [0]):
如果tt (po) & lt;4:
标签(po)=0.0
elif 8比;tt (po)祝辞=4:
标签(po)=0.25
elif 12比;tt (po)祝辞=8:
标签(po)=0.5
elif 16比;tt (po)祝辞=12:
标签(po)=0.75
其他:
标签(po)=1.0
”“”
tt=np.mat (tt)
标签=np.sin (tt) * 0.5 + 0.5
标签=np.mat(标签)
中长期规划模型=(lr=0.2, lda=0.0, te=1 e-5,时代=500,大?[第1、6、6、6、1))
打印tt。形状,labels.shape
打印len (model.W), len (model.b)
打印
模型。火车(input_=tt,目标=标签,显示=10)
西姆斯=[模型。sim (tt [: idx])(0,0)为idx xrange (tt.shape [1]))
xx=tt.tolist () [0]
plt.figure ()
plt。情节(xx labels.tolist () [0], xx,西姆斯,“r”)
plt.show ()
效果图:
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
