python实现简单神经网络算法,供大家参考,具体内容如下
<强>
包括输入层和输出层
进口numpy np
#乙状结肠函数
def nonlin (x,引出=False):
如果(引出==True):
返回x * (1 - x)
返回1/(1 + np.exp (- x))
#输入数据集
x=np.array ([[0, 0, 1],
(0,1,1),
[1,0,1],
(1,1,1)])
#输出数据集
y=np.array ([[0, 0, 1, 1]]) .T
np.random.seed (1)
# init重量值
syn0=2 * np.random.random ((3,1)) 1
对iter xrange (100000):
l0=x #第一层,输入层
l1=nonlin (np.dot (l0 syn0)) #第二层,和输出层
l1_error=y-l1
l1_delta=l1_error * nonlin (l1,真的)
syn0 +=np.dot (10。T, l1_delta)
培训后打印”文稿:“
打印l1
之前
进口numpy np
#乙状结肠函数
def nonlin (x,引出=False):
如果(引出==True):
返回x * (1 - x)
返回1/(1 + np.exp (- x))
#输入数据集
x=np.array ([[0, 0, 1],
(0,1,1),
[1,0,1],
(1,1,1)])
#输出数据集
y=np.array ([[0, 0, 1, 1]]) .T
np.random.seed (1)
# init重量值
syn0=2 * np.random.random ((3,1)) 1
对iter xrange (100000):
l0=x #第一层,输入层
l1=nonlin (np.dot (l0 syn0)) #第二层,和输出层
l1_error=y-l1
l1_delta=l1_error * nonlin (l1,真的)
syn0 +=np.dot (10。T, l1_delta)
培训后打印”文稿:“
打印l1
这里,
10:输入层
l1:输出层
syn0:初始权值
l1_error:误差
l1_delta:误差校正系数
func nonlin:乙状结肠函数
可见迭代次数越多,预测结果越接近理想值,当时耗时也越长。
包括输入层,隐含层和输出层
进口numpy np
def nonlin (x,引出=False):
如果(引出==True):
返回x * (1 - x)
其他:
返回1/(1 + np.exp (- x))
#输入数据集
X=np.array ([[0, 0, 1],
(0,1,1),
[1,0,1],
(1,1,1)])
#输出数据集
y=np.array ([[0, 1, 1, 0]]) .T
syn0=2 * np.random.random ((3、4)) - 1 # first-hidden层重量值
syn1=2 * np.random.random ((4,1)) - 1 # hidden-output层重量值
范围的j (60000):
l0=X #第一层,输入层
l1=nonlin (np.dot (l0 syn0)) #第二层,和隐藏层
(l1, l2=nonlin (np.dot syn1)) #第三层和输出层
l2_error=y-l2 # hidden-output层错误
如果(j % 10000)==0:
打印“错误:”+ str (np.mean (l2_error))
l2_delta=l2_error * nonlin (l2,引出=True)
l1_error=l2_delta.dot (syn1.T) # first-hidden层错误
l1_delta=l1_error * nonlin (l1,引出=True)
syn1 +=l1.T.dot (l2_delta)
syn0 +=l0.T.dot (l1_delta)
培训后打印”文稿:“
打印l2
进口numpy np
def nonlin (x,引出=False):
如果(引出==True):
返回x * (1 - x)
其他:
返回1/(1 + np.exp (- x))
#输入数据集
X=np.array ([[0, 0, 1],
(0,1,1),
[1,0,1],
(1,1,1)])
#输出数据集
y=np.array ([[0, 1, 1, 0]]) .T
syn0=2 * np.random.random ((3、4)) - 1 # first-hidden层重量值
syn1=2 * np.random.random ((4,1)) - 1 # hidden-output层重量值
范围的j (60000):
l0=X #第一层,输入层
l1=nonlin (np.dot (l0 syn0)) #第二层,和隐藏层
(l1, l2=nonlin (np.dot syn1)) #第三层和输出层
l2_error=y-l2 # hidden-output层错误
如果(j % 10000)==0:
打印“错误:”+ str (np.mean (l2_error))
l2_delta=l2_error * nonlin (l2,引出=True)
l1_error=l2_delta.dot (syn1.T) # first-hidden层错误
l1_delta=l1_error * nonlin (l1,引出=True)
syn1 +=l1.T.dot (l2_delta)
syn0 +=l0.T.dot (l1_delta)
培训后打印”文稿:“
打印l2
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。
