三层BP神经网络的python实现

简介:

这是一个非常漂亮的三层反向传播神经网络的python实现,下一步我准备试着将其修改为多层BP神经网络。

 

下面是运行演示函数的截图,你会发现预测的结果很惊人!

 

 

 

 

提示:运行演示函数的时候,可以尝试改变隐藏层的节点数,看节点数增加了,预测的精度会否提升

 

复制代码
  1 import math
  2 import random
  3 import string
  4 
  5 random.seed(0)
  6 
  7 # 生成区间[a, b)内的随机数
  8 def rand(a, b):
  9     return (b-a)*random.random() + a
 10 
 11 # 生成大小 I*J 的矩阵,默认零矩阵 (当然,亦可用 NumPy 提速)
 12 def makeMatrix(I, J, fill=0.0):
 13     m = []
 14     for i in range(I):
 15         m.append([fill]*J)
 16     return m
 17 
 18 # 函数 sigmoid,这里采用 tanh,因为看起来要比标准的 1/(1+e^-x) 漂亮些
 19 def sigmoid(x):
 20     return math.tanh(x)
 21 
 22 # 函数 sigmoid 的派生函数, 为了得到输出 (即:y)
 23 def dsigmoid(y):
 24     return 1.0 - y**2
 25 
 26 class NN:
 27     ''' 三层反向传播神经网络 '''
 28     def __init__(self, ni, nh, no):
 29         # 输入层、隐藏层、输出层的节点(数)
 30         self.ni = ni + 1 # 增加一个偏差节点
 31         self.nh = nh
 32         self.no = no
 33 
 34         # 激活神经网络的所有节点(向量)
 35         self.ai = [1.0]*self.ni
 36         self.ah = [1.0]*self.nh
 37         self.ao = [1.0]*self.no
 38         
 39         # 建立权重(矩阵)
 40         self.wi = makeMatrix(self.ni, self.nh)
 41         self.wo = makeMatrix(self.nh, self.no)
 42         # 设为随机值
 43         for i in range(self.ni):
 44             for j in range(self.nh):
 45                 self.wi[i][j] = rand(-0.2, 0.2)
 46         for j in range(self.nh):
 47             for k in range(self.no):
 48                 self.wo[j][k] = rand(-2.0, 2.0)
 49 
 50         # 最后建立动量因子(矩阵)
 51         self.ci = makeMatrix(self.ni, self.nh)
 52         self.co = makeMatrix(self.nh, self.no)
 53 
 54     def update(self, inputs):
 55         if len(inputs) != self.ni-1:
 56             raise ValueError('与输入层节点数不符!')
 57 
 58         # 激活输入层
 59         for i in range(self.ni-1):
 60             #self.ai[i] = sigmoid(inputs[i])
 61             self.ai[i] = inputs[i]
 62 
 63         # 激活隐藏层
 64         for j in range(self.nh):
 65             sum = 0.0
 66             for i in range(self.ni):
 67                 sum = sum + self.ai[i] * self.wi[i][j]
 68             self.ah[j] = sigmoid(sum)
 69 
 70         # 激活输出层
 71         for k in range(self.no):
 72             sum = 0.0
 73             for j in range(self.nh):
 74                 sum = sum + self.ah[j] * self.wo[j][k]
 75             self.ao[k] = sigmoid(sum)
 76 
 77         return self.ao[:]
 78 
 79     def backPropagate(self, targets, N, M):
 80         ''' 反向传播 '''
 81         if len(targets) != self.no:
 82             raise ValueError('与输出层节点数不符!')
 83 
 84         # 计算输出层的误差
 85         output_deltas = [0.0] * self.no
 86         for k in range(self.no):
 87             error = targets[k]-self.ao[k]
 88             output_deltas[k] = dsigmoid(self.ao[k]) * error
 89 
 90         # 计算隐藏层的误差
 91         hidden_deltas = [0.0] * self.nh
 92         for j in range(self.nh):
 93             error = 0.0
 94             for k in range(self.no):
 95                 error = error + output_deltas[k]*self.wo[j][k]
 96             hidden_deltas[j] = dsigmoid(self.ah[j]) * error
 97 
 98         # 更新输出层权重
 99         for j in range(self.nh):
100             for k in range(self.no):
101                 change = output_deltas[k]*self.ah[j]
102                 self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]
103                 self.co[j][k] = change
104                 #print(N*change, M*self.co[j][k])
105 
106         # 更新输入层权重
107         for i in range(self.ni):
108             for j in range(self.nh):
109                 change = hidden_deltas[j]*self.ai[i]
110                 self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]
111                 self.ci[i][j] = change
112 
113         # 计算误差
114         error = 0.0
115         for k in range(len(targets)):
116             error = error + 0.5*(targets[k]-self.ao[k])**2
117         return error
118 
119     def test(self, patterns):
120         for p in patterns:
121             print(p[0], '->', self.update(p[0]))
122 
123     def weights(self):
124         print('输入层权重:')
125         for i in range(self.ni):
126             print(self.wi[i])
127         print()
128         print('输出层权重:')
129         for j in range(self.nh):
130             print(self.wo[j])
131 
132     def train(self, patterns, iterations=1000, N=0.5, M=0.1):
133         # N: 学习速率(learning rate)
134         # M: 动量因子(momentum factor)
135         for i in range(iterations):
136             error = 0.0
137             for p in patterns:
138                 inputs = p[0]
139                 targets = p[1]
140                 self.update(inputs)
141                 error = error + self.backPropagate(targets, N, M)
142             if i % 100 == 0:
143                 print('误差 %-.5f' % error)
144 
145 
146 def demo():
147     # 一个演示:教神经网络学习逻辑异或(XOR)------------可以换成你自己的数据试试
148     pat = [
149         [[0,0], [0]],
150         [[0,1], [1]],
151         [[1,0], [1]],
152         [[1,1], [0]]
153     ]
154 
155     # 创建一个神经网络:输入层有两个节点、隐藏层有两个节点、输出层有一个节点
156     n = NN(2, 2, 1)
157     # 用一些模式训练它
158     n.train(pat)
159     # 测试训练的成果(不要吃惊哦)
160     n.test(pat)
161     # 看看训练好的权重(当然可以考虑把训练好的权重持久化)
162     #n.weights()
163     
164     
165 if __name__ == '__main__':
166     demo()
复制代码

 

本文转自罗兵博客园博客,原文链接:http://www.cnblogs.com/hhh5460/p/4304628.html ,如需转载请自行联系原作者
相关文章
|
1月前
|
机器学习/深度学习 算法
PSO和GA优化BP神经网络参数
PSO和GA优化BP神经网络参数
60 5
|
2月前
|
机器学习/深度学习 小程序 算法
基于bp神经网络的adp程序
基于bp神经网络的adp小程序
70 0
|
14天前
|
JSON 网络安全 数据格式
Python网络请求库requests使用详述
总结来说,`requests`库非常适用于需要快速、简易、可靠进行HTTP请求的应用场景,它的简洁性让开发者避免繁琐的网络代码而专注于交互逻辑本身。通过上述方式,你可以利用 `requests`处理大部分常见的HTTP请求需求。
140 51
|
27天前
|
机器学习/深度学习 数据采集 调度
bp神经网络电力系统短期负荷预测
bp神经网络电力系统短期负荷预测
124 60
|
10天前
|
存储 监控 算法
基于 Python 跳表算法的局域网网络监控软件动态数据索引优化策略研究
局域网网络监控软件需高效处理终端行为数据,跳表作为一种基于概率平衡的动态数据结构,具备高效的插入、删除与查询性能(平均时间复杂度为O(log n)),适用于高频数据写入和随机查询场景。本文深入解析跳表原理,探讨其在局域网监控中的适配性,并提供基于Python的完整实现方案,优化终端会话管理,提升系统响应性能。
30 4
|
2月前
|
调度 Python
探索Python高级并发与网络编程技术。
可以看出,Python的高级并发和网络编程极具挑战,却也饱含乐趣。探索这些技术,你将会发现:它们好比是Python世界的海洋,有穿越风暴的波涛,也有寂静深海的奇妙。开始旅途,探索无尽可能吧!
73 15
|
2月前
|
机器学习/深度学习 算法 测试技术
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
本文探讨了基于图的重排序方法在信息检索领域的应用与前景。传统两阶段检索架构中,初始检索速度快但结果可能含噪声,重排序阶段通过强大语言模型提升精度,但仍面临复杂需求挑战
91 0
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
|
2月前
|
机器学习/深度学习 算法 Python
matlab思维进化算法优化BP神经网络
matlab思维进化算法优化BP神经网络
|
1月前
|
Python
Python编程基石:整型、浮点、字符串与布尔值完全解读
本文介绍了Python中的四种基本数据类型:整型(int)、浮点型(float)、字符串(str)和布尔型(bool)。整型表示无大小限制的整数,支持各类运算;浮点型遵循IEEE 754标准,需注意精度问题;字符串是不可变序列,支持多种操作与方法;布尔型仅有True和False两个值,可与其他类型转换。掌握这些类型及其转换规则是Python编程的基础。
160 33
|
12天前
|
数据采集 分布式计算 大数据
不会Python,还敢说搞大数据?一文带你入门大数据编程的“硬核”真相
不会Python,还敢说搞大数据?一文带你入门大数据编程的“硬核”真相
32 1

推荐镜像

更多