python神经网络

# Python神经网络示例代码

# 导入必要的库
import numpy as np

# 定义激活函数（Sigmoid）
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义Sigmoid函数的导数
def sigmoid_derivative(x):
    return x * (1 - x)

# 初始化权重和偏置
input_layer_neurons = 3  # 输入层神经元数量
hidden_layer_neurons = 3  # 隐藏层神经元数量
output_neurons = 1  # 输出层神经元数量

# 权重和偏置初始化
wh = np.random.uniform(size=(input_layer_neurons, hidden_layer_neurons))
bh = np.random.uniform(size=(1, hidden_layer_neurons))
wout = np.random.uniform(size=(hidden_layer_neurons, output_neurons))
bout = np.random.uniform(size=(1, output_neurons))

# 输入数据
X = np.array([[1, 0, 1], [1, 1, 1], [0, 1, 0], [1, 0, 1]])
y = np.array([[1], [1], [0], [1]])

# 超参数
learning_rate = 0.1
epochs = 10000

# 训练神经网络
for i in range(epochs):
    # 前向传播
    hidden_layer_input1 = np.dot(X, wh)
    hidden_layer_input = hidden_layer_input1 + bh
    hiddenlayer_activations = sigmoid(hidden_layer_input)

    output_layer_input1 = np.dot(hiddenlayer_activations, wout)
    output_layer_input = output_layer_input1 + bout
    output = sigmoid(output_layer_input)

    # 计算误差
    E = y - output

    # 反向传播
    slope_output_layer = sigmoid_derivative(output)
    slope_hidden_layer = sigmoid_derivative(hiddenlayer_activations)
    d_output = E * slope_output_layer
    Error_at_hidden_layer = d_output.dot(wout.T)
    d_hiddenlayer = Error_at_hidden_layer * slope_hidden_layer

    # 更新权重和偏置
    wout += hiddenlayer_activations.T.dot(d_output) * learning_rate
    bout += np.sum(d_output, axis=0, keepdims=True) * learning_rate
    wh += X.T.dot(d_hiddenlayer) * learning_rate
    bh += np.sum(d_hiddenlayer, axis=0, keepdims=True) * learning_rate

# 打印输出结果
print("最终输出值：")
print(output)

解释说明：

1. 导入库：使用 numpy 进行矩阵运算。
2. 定义激活函数：使用 Sigmoid 函数作为激活函数，并定义其导数用于反向传播。
3. 初始化权重和偏置：随机初始化输入层到隐藏层、隐藏层到输出层的权重和偏置。
4. 输入数据：定义训练数据 X 和标签 y。
5. 超参数设置：设定学习率和训练轮数。
6. 前向传播：计算每一层的输出。
7. 计算误差：计算预测值与真实值之间的误差。
8. 反向传播：根据误差调整权重和偏置。
9. 更新权重和偏置：通过梯度下降法更新权重和偏置。
10. 打印输出结果：展示最终的预测结果。

这个简单的神经网络可以用来理解基本的前向传播和反向传播过程。