python神经网络教程

# 简单的神经网络示例代码

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)

# 初始化输入数据集和输出数据集
input_data = np.array([[0, 0, 1],
                       [1, 1, 1],
                       [1, 0, 1],
                       [0, 1, 1]])

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

# 初始化权重
np.random.seed(1)
weights = 2 * np.random.random((3, 1)) - 1

# 训练神经网络
for iteration in range(20000):
    # 前向传播
    input_layer = input_data
    outputs = sigmoid(np.dot(input_layer, weights))

    # 计算误差
    error = output_data - outputs

    # 反向传播
    adjustments = error * sigmoid_derivative(outputs)
    weights += np.dot(input_layer.T, adjustments)

# 输出训练后的结果
print("Output after training:")
print(outputs)

解释说明：

1. 导入库：我们使用 numpy 库来进行矩阵运算。
2. 定义激活函数：这里使用的是 Sigmoid 函数，它将输入值压缩到 0 和 1 之间。
3. 定义 Sigmoid 导数：用于反向传播时计算梯度。
4. 初始化数据集：input_data 是输入特征，output_data 是期望输出。
5. 初始化权重：随机初始化权重，范围在 -1 到 1 之间。
6. 训练过程：
   • 前向传播：计算神经网络的输出。
   • 计算误差：比较预测输出与实际输出之间的差异。
   • 反向传播：根据误差调整权重。
7. 输出结果：训练完成后，打印最终的输出。

这个简单的神经网络通过多次迭代逐渐调整权重，使得预测输出尽可能接近实际输出。