Python實(shí)現(xiàn)感知器模型、兩層神經(jīng)網(wǎng)絡(luò)

更新時(shí)間：2021年10月11日 16:45:38 作者：O天涯海閣O

這篇文章主要為大家詳細(xì)介紹了Python實(shí)現(xiàn)感知器模型、兩層神經(jīng)網(wǎng)絡(luò)，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

本文實(shí)例為大家分享了Python實(shí)現(xiàn)感知器模型、兩層神經(jīng)網(wǎng)絡(luò)，供大家參考，具體內(nèi)容如下

python 3.4 因?yàn)槭褂昧?numpy

這里我們首先實(shí)現(xiàn)一個(gè)感知器模型來實(shí)現(xiàn)下面的對應(yīng)關(guān)系

[[0,0,1], ——- 0
[0,1,1], ——- 1
[1,0,1], ——- 0
[1,1,1]] ——- 1

從上面的數(shù)據(jù)可以看出：輸入是三通道，輸出是單通道。

這里的激活函數(shù)我們使用 sigmoid 函數(shù) f(x)=1/(1+exp(-x))

其導(dǎo)數(shù)推導(dǎo)如下所示:

L0=W*X;
z=f(L0);
error=y-z;
delta =error * f'(L0) * X;
W=W+delta;

python 代碼如下：

import numpy as np

#sigmoid function

def nonlin(x, deriv = False):
  if(deriv==True):
    return x*(1-x)
  return 1/(1+np.exp(-x))


# input dataset

X=np.array([[0,0,1],
      [0,1,1],
      [1,0,1],
      [1,1,1]])

# output dataset

y=np.array([[0,1,0,1]]).T

#seed( ) 用于指定隨機(jī)數(shù)生成時(shí)所用算法開始的整數(shù)值，
#如果使用相同的seed( )值，則每次生成的隨即數(shù)都相同，
#如果不設(shè)置這個(gè)值，則系統(tǒng)根據(jù)時(shí)間來自己選擇這個(gè)值，
#此時(shí)每次生成的隨機(jī)數(shù)因時(shí)間差異而不同。
np.random.seed(1)  

# init weight value with mean 0

syn0 = 2*np.random.random((3,1))-1   

for iter in range(1000):
  # forward propagation
  L0=X
  L1=nonlin(np.dot(L0,syn0))

  # error
  L1_error=y-L1

  L1_delta = L1_error*nonlin(L1,True)

  # updata weight
  syn0+=np.dot(L0.T,L1_delta)

print("Output After Training:")
print(L1)

從輸出結(jié)果可以看出基本實(shí)現(xiàn)了對應(yīng)關(guān)系。

下面再用兩層網(wǎng)絡(luò)來實(shí)現(xiàn)上面的任務(wù)，這里加了一個(gè)隱層，隱層包含4個(gè)神經(jīng)元。

import numpy as np

def nonlin(x, deriv = False):
  if(deriv == True):
    return x*(1-x)
  else:
    return 1/(1+np.exp(-x))

#input dataset
X = np.array([[0,0,1],
       [0,1,1],
       [1,0,1],
       [1,1,1]])

#output dataset
y = np.array([[0,1,1,0]]).T

#the first-hidden layer weight value
syn0 = 2*np.random.random((3,4)) - 1 

#the hidden-output layer weight value
syn1 = 2*np.random.random((4,1)) - 1 

for j in range(60000):
  l0 = X      
  #the first layer,and the input layer 
  l1 = nonlin(np.dot(l0,syn0)) 
  #the second layer,and the hidden layer
  l2 = nonlin(np.dot(l1,syn1)) 
  #the third layer,and the output layer


  l2_error = y-l2    
  #the hidden-output layer error

  if(j%10000) == 0:
    print "Error:"+str(np.mean(l2_error))

  l2_delta = l2_error*nonlin(l2,deriv = True)

  l1_error = l2_delta.dot(syn1.T)   
  #the first-hidden layer error

  l1_delta = l1_error*nonlin(l1,deriv = True)

  syn1 += l1.T.dot(l2_delta)
  syn0 += l0.T.dot(l1_delta)

print "outout after Training:"
print l2

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: