以下是一个简单的神经网络算法的代码示例,用于解决二分类问题:
点击查看代码
import numpy as np
# 定义激活函数
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# 定义神经网络类
class NeuralNetwork:
def __init__(self, input_size, hidden_size, output_size):
# 初始化权重
self.W1 = np.random.randn(input_size, hidden_size)
self.b1 = np.zeros((1, hidden_size))
self.W2 = np.random.randn(hidden_size, output_size)
self.b2 = np.zeros((1, output_size))
def forward(self, X):
# 前向传播计算输出
self.z2 = np.dot(X, self.W1) + self.b1
self.a2 = sigmoid(self.z2)
self.z3 = np.dot(self.a2, self.W2) + self.b2
self.a3 = sigmoid(self.z3)
return self.a3
def backward(self, X, y, learning_rate):
# 反向传播更新参数
m = len(X)
delta3 = self.a3 - y
dW2 = np.dot(self.a2.T, delta3) / m
db2 = np.sum(delta3, axis=0) / m
delta2 = np.dot(delta3, self.W2.T) * self.a2 * (1 - self.a2)
dW1 = np.dot(X.T, delta2) / m
db1 = np.sum(delta2, axis=0) / m
self.W2 -= learning_rate * dW2
self.b2 -= learning_rate * db2
self.W1 -= learning_rate * dW1
self.b1 -= learning_rate * db1
def train(self, X, y, num_epochs, learning_rate):
# 训练神经网络
for epoch in range(num_epochs):
# 前向传播计算输出
output = self.forward(X)
# 反向传播更新参数
self.backward(X, y, learning_rate)
# 打印损失函数值
loss = np.mean((output - y) ** 2)
print("Epoch:", epoch+1, "Loss:", loss)
def predict(self, X):
# 预测分类结果
output = self.forward(X)
predictions = np.round(output)
return predictions
# 输入数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])
# 初始化神经网络
input_size = X.shape[1]
hidden_size = 4
output_size = y.shape[1]
nn = NeuralNetwork(input_size, hidden_size, output_size)
# 训练神经网络
num_epochs = 10000
learning_rate = 0.1
nn.train(X, y, num_epochs, learning_rate)
# 预测新样本
test_X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
predictions = nn.predict(test_X)
# 输出预测结果
print("预测结果:", predictions)
在上述代码中,我们使用神经网络算法解决了一个简单的二分类问题。你可以根据具体问题的要求进行以下修改:
1.输入数据:根据具体问题,修改X和y的值,表示训练样本的输入和输出。
2.神经网络的结构:在示例代码中,我们假设神经网络有一个隐藏层,其大小由hidden_size指定。你可以根据问题的复杂性和数据集的特点来调整隐藏层的大小。
3.训练参数:在示例代码中,我们假设训练次数为num_epochs,学习率为learning_rate。你可以根据具体问题进行调整。
4.损失函数和激活函数:在示例代码中,我们使用平均平方误差作为损失函数,sigmoid函数作为激活函数。你可以根据问题的特点和要求,修改损失函数和激活函数。
注意,以上代码仅为神经网络算法解决二分类问题的示例,实际问题可能需要更多的自定义代码和参数调整,请根据具体情况进行相应的修改。在设计神经网络时,需要关注网络的结构、激活函数的选择、反向传播算法的实现,以及如何选择合适的损失函数和优化算法等。
标签:rate,self,算法,神经网络,learning,np,size From: https://www.cnblogs.com/angetenar/p/17652919.html