Python编程实现的简单神经网络算法示例_Python

本文实例讲述了Python编程实现的简单神经网络算法。分享给大家供大家参考，具体如下：

python实现二层神经网络

包括输入层和输出层

									# -*- coding:utf-8 -*-

									#! python2

									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

									print "服务器之家测试结果："

									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

这里迭代次数为100时，预测结果为

Python编程实现的简单神经网络算法示例

迭代次数为1000时，预测结果为：

Python编程实现的简单神经网络算法示例

迭代次数为10000，预测结果为：

Python编程实现的简单神经网络算法示例

迭代次数为100000，预测结果为：

Python编程实现的简单神经网络算法示例

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

									# -*- coding:utf-8 -*-

									#! python2

									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

									print "服务器之家测试结果："

									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

运行结果：

Python编程实现的简单神经网络算法示例

希望本文所述对大家Python程序设计有所帮助。

原文链接：http://blog.csdn.net/xiao_lxl/article/details/51721312

Python编程实现的简单神经网络算法示例

相关文章

热门资讯