本文实例为大家分享了python实现神经网络算法及应用的具体代码，供大家参考，具体内容如下
首先用python实现简单地神经网络算法：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
|
import numpy as np# 定义tanh函数def tanh(x): return np.tanh(x)# tanh函数的导数def tan_deriv(x): return 1.0 - np.tanh(x) * np.tan(x)# sigmoid函数def logistic(x): return 1 / (1 + np.exp(-x))# sigmoid函数的导数def logistic_derivative(x): return logistic(x) * (1 - logistic(x))class neuralnetwork: def __init__(self, layers, activation='tanh'): """ 神经网络算法构造函数 :param layers: 神经元层数 :param activation: 使用的函数（默认tanh函数） :return:none """ if activation == 'logistic': self.activation = logistic self.activation_deriv = logistic_derivative elif activation == 'tanh': self.activation = tanh self.activation_deriv = tan_deriv # 权重列表 self.weights = [] # 初始化权重（随机） for i in range(1, len(layers) - 1): self.weights.append((2 * np.random.random((layers[i - 1] + 1, layers[i] + 1)) - 1) * 0.25) self.weights.append((2 * np.random.random((layers[i] + 1, layers[i + 1])) - 1) * 0.25) def fit(self, x, y, learning_rate=0.2, epochs=10000): """ 训练神经网络 :param x: 数据集（通常是二维） :param y: 分类标记 :param learning_rate: 学习率（默认0.2） :param epochs: 训练次数（最大循环次数，默认10000） :return: none """ # 确保数据集是二维的 x = np.atleast_2d(x) temp = np.ones([x.shape[0], x.shape[1] + 1]) temp[:, 0: -1] = x x = temp y = np.array(y) for k in range(epochs): # 随机抽取x的一行 i = np.random.randint(x.shape[0]) # 用随机抽取的这一组数据对神经网络更新 a = [x[i]] # 正向更新 for l in range(len(self.weights)): a.append(self.activation(np.dot(a[l], self.weights[l]))) error = y[i] - a[-1] deltas = [error * self.activation_deriv(a[-1])] # 反向更新 for l in range(len(a) - 2, 0, -1): deltas.append(deltas[-1].dot(self.weights[l].t) * self.activation_deriv(a[l])) deltas.reverse() for i in range(len(self.weights)): layer = np.atleast_2d(a[i]) delta = np.atleast_2d(deltas[i]) self.weights[i] += learning_rate * layer.t.dot(delta) def predict(self, x): x = np.array(x) temp = np.ones(x.shape[0] + 1) temp[0:-1] = x a = temp for l in range(0, len(self.weights)): a = self.activation(np.dot(a, self.weights[l])) return a |
使用自己定义的神经网络算法实现一些简单的功能：
小案例：
x: y
0 0 0
0 1 1
1 0 1
1 1 0
|
1
2
3
4
5
6
7
8
9
10
|
from nn.neuralnetwork import neuralnetworkimport numpy as npnn = neuralnetwork([2, 2, 1], 'tanh')temp = [[0, 0], [0, 1], [1, 0], [1, 1]]x = np.array(temp)y = np.array([0, 1, 1, 0])nn.fit(x, y)for i in temp: print(i, nn.predict(i)) |
发现结果基本机制，无限接近0或者无限接近1
第二个例子：识别图片中的数字
导入数据：
|
1
2
3
4
5
6
7
8
|
from sklearn.datasets import load_digitsimport pylab as pldigits = load_digits()print(digits.data.shape)pl.gray()pl.matshow(digits.images[0])pl.show() |
观察下：大小：(1797, 64)
数字0
接下来的代码是识别它们：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
import numpy as npfrom sklearn.datasets import load_digitsfrom sklearn.metrics import confusion_matrix, classification_reportfrom sklearn.preprocessing import labelbinarizerfrom nn.neuralnetwork import neuralnetworkfrom sklearn.cross_validation import train_test_split# 加载数据集digits = load_digits()x = digits.datay = digits.target# 处理数据，使得数据处于0,1之间，满足神经网络算法的要求x -= x.min()x /= x.max()# 层数：# 输出层10个数字# 输入层64因为图片是8*8的，64像素# 隐藏层假设100nn = neuralnetwork([64, 100, 10], 'logistic')# 分隔训练集和测试集x_train, x_test, y_train, y_test = train_test_split(x, y)# 转化成sklearn需要的二维数据类型labels_train = labelbinarizer().fit_transform(y_train)labels_test = labelbinarizer().fit_transform(y_test)print("start fitting")# 训练3000次nn.fit(x_train, labels_train, epochs=3000)predictions = []for i in range(x_test.shape[0]): o = nn.predict(x_test[i]) # np.argmax:第几个数对应最大概率值 predictions.append(np.argmax(o))# 打印预测相关信息print(confusion_matrix(y_test, predictions))print(classification_report(y_test, predictions)) |
结果：
矩阵对角线代表预测正确的数量，发现正确率很多
这张表更直观地显示出预测正确率：
共450个案例，成功率94%
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服务器之家。
原文链接：http://www.cnblogs.com/xuyiqing/p/8797048.html
