未加星标

python实现简单神经网络算法

字体大小 | |
[开发(python) 所属分类 开发(python) | 发布者 店小二03 | 时间 | 作者 红领巾 ] 0人收藏点击收藏

python实现简单神经网络算法,供大家参考,具体内容如下

python实现二层神经网络

包括输入层和输出层

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([[0,0,1,1]]).T

np.random.seed(1)

#init weight value
syn0 = 2*np.random.random((3,1))-1

for iter in xrange(100000):
l0 = x #the first layer,and the input layer
l1 = nonlin(np.dot(l0,syn0)) #the second layer,and the output layer


l1_error = y-l1

l1_delta = l1_error*nonlin(l1,True)

syn0 += np.dot(l0.T, l1_delta)
print "outout after Training:"
print l1

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([[0,0,1,1]]).T

np.random.seed(1)

#init weight value
syn0 = 2*np.random.random((3,1))-1

for iter in xrange(100000):
l0 = x #the first layer,and the input layer
l1 = nonlin(np.dot(l0,syn0)) #the second layer,and the output layer


l1_error = y-l1

l1_delta = l1_error*nonlin(l1,True)

syn0 += np.dot(l0.T, l1_delta)
print "outout after Training:"
print l1
这里,
l0:输入层

l1:输出层

syn0:初始权值

l1_error:误差

l1_delta:误差校正系数

func nonlin:sigmoid函数

python实现简单神经网络算法

可见迭代次数越多,预测结果越接近理想值,当时耗时也越长。

python实现三层神经网络

包括输入层、隐含层和输出层

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

syn0 = 2*np.random.random((3,4)) - 1 #the first-hidden layer weight value
syn1 = 2*np.random.random((4,1)) - 1 #the hidden-output layer weight value

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
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

syn0 = 2*np.random.random((3,4)) - 1 #the first-hidden layer weight value
syn1 = 2*np.random.random((4,1)) - 1 #the hidden-output layer weight value

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内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。


您可能感兴趣的文章:python构建深度神经网络(续)python构建深度神经网络(DNN)Python实现的三层BP神经网络算法示例Python实现的径向基(RBF)神经网络示例Python编程实现的简单神经网络算法示例python实现神经网络感知器算法python机器学习之神经网络(三)python机器学习之神经网络(一)Python实现感知器模型、两层神经网络TensorFlow平台下Python实现神经网络

本文开发(python)相关术语:python基础教程 python多线程 web开发工程师 软件开发工程师 软件开发流程

主题: 神经网络算法Python预测
tags: l1,np,layer,l2,error,#the,nonlin,delta,dot,random,syn0,l0,deriv,True
分页:12
转载请注明
本文标题:python实现简单神经网络算法
本站链接:http://www.codesec.net/view/573779.html
分享请点击:


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 开发(python) | 评论(0) | 阅读(45)