首先實(shí)現(xiàn)幾個(gè)工具函數(shù):

defrand(a，b):

return(b-a)*random.random()+a

defmake_matrix(m，n，fill=0.0):#創(chuàng)造一個(gè)指定大小的矩陣

mat=[]

foriinrange(m):

mat.append([fill]*n)

returnmat

定義sigmod函數(shù)和它的導(dǎo)數(shù):

defsigmoid(x):

return1.0/(1.0+math.exp(-x))

defsigmod_derivate(x):

returnx*(1-x)

定義BPNeuralNetwork類，使用三個(gè)列表維護(hù)輸入層，隱含層和輸出層神經(jīng)元，列表中的元素代表對(duì)應(yīng)神經(jīng)元當(dāng)前的輸出值.使用兩個(gè)二維列表以鄰接矩陣的形式維護(hù)輸入層與隱含層，隱含層與輸出層之間的連接權(quán)值，通過(guò)同樣的形式保存矯正矩陣.

定義setup方法初始化神經(jīng)網(wǎng)絡(luò):

defsetup(self，ni，nh，no):

self.input_n=ni+1

self.hidden_n=nh

self.output_n=no

#initcells

self.input_cells=[1.0]*self.input_n

self.hidden_cells=[1.0]*self.hidden_n

self.output_cells=[1.0]*self.output_n

#initweights

self.input_weights=make_matrix(self.input_n，self.hidden_n)

self.output_weights=make_matrix(self.hidden_n，self.output_n)

#randomactivate

foriinrange(self.input_n):

forhinrange(self.hidden_n):

self.input_weights[i][h]=rand(-0.2，0.2)

forhinrange(self.hidden_n):

foroinrange(self.output_n):

self.output_weights[h][o]=rand(-2.0，2.0)

#initcorrectionmatrix

self.input_correction=make_matrix(self.input_n，self.hidden_n)

self.output_correction=make_matrix(self.hidden_n，self.output_n)

定義predict方法進(jìn)行一次前饋，并返回輸出:

defpredict(self，inputs):

#activateinputlayer

foriinrange(self.input_n-1):

self.input_cells[i]=inputs[i]

#activatehiddenlayer

forjinrange(self.hidden_n):

total=0.0

foriinrange(self.input_n):

total+=self.input_cells[i]*self.input_weights[i][j]

self.hidden_cells[j]=sigmoid(total)

#activateoutputlayer

forkinrange(self.output_n):

total=0.0

forjinrange(self.hidden_n):

total+=self.hidden_cells[j]*self.output_weights[j][k]

self.output_cells[k]=sigmoid(total)

returnself.output_cells[:]

定義back_propagate方法定義一次反向傳播和更新權(quán)值的過(guò)程，并返回最終預(yù)測(cè)誤差:

defback_propagate(self，case，label，learn，correct):

#feedforward

self.predict(case)

#getoutputlayererror

output_deltas=[0.0]*self.output_n

foroinrange(self.output_n):

error=label[o]-self.output_cells[o]

output_deltas[o]=sigmod_derivate(self.output_cells[o])*error

#gethiddenlayererror

hidden_deltas=[0.0]*self.hidden_n

forhinrange(self.hidden_n):

error=0.0

foroinrange(self.output_n):

error+=output_deltas[o]*self.output_weights[h][o]

hidden_deltas[h]=sigmod_derivate(self.hidden_cells[h])*error

#updateoutputweights

forhinrange(self.hidden_n):

foroinrange(self.output_n):

change=output_deltas[o]*self.hidden_cells[h]

self.output_weights[h][o]+=learn*change+correct*self.output_correction[h][o]

self.output_correction[h][o]=change

#updateinputweights

foriinrange(self.input_n):

forhinrange(self.hidden_n):

change=hidden_deltas[h]*self.input_cells[i]

self.input_weights[i][h]+=learn*change+correct*self.input_correction[i][h]

self.input_correction[i][h]=change

#getglobalerror

error=0.0

foroinrange(len(label)):

error+=0.5*(label[o]-self.output_cells[o])**2

returnerror

定義train方法控制迭代，該方法可以修改最大迭代次數(shù)，學(xué)習(xí)率λ，矯正率μ三個(gè)參數(shù).

deftrain(self，cases，labels，limit=10000，learn=0.05，correct=0.1):

foriinrange(limit):

error=0.0

foriinrange(len(cases)):

label=labels[i]

case=cases[i]

error+=self.back_propagate(case，label，learn，correct)

編寫(xiě)test方法，演示如何使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)異或邏輯:

deftest(self):

cases=[

[0，0]，

[0，1]，

[1，0]，

[1，1]，

]

labels=[[0]，[1]，[1]，[0]]

self.setup(2，5，1)

self.train(cases，labels，10000，0.05，0.1)

forcaseincases:

print(self.predict(case))

以上內(nèi)容為大家介紹了Python實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。