gpt4 book ai didi

Python实现感知器模型、两层神经网络

转载 作者:qq735679552 更新时间:2022-09-28 22:32:09 26 4
gpt4 key购买 nike

CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python实现感知器模型、两层神经网络由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.

本文实例为大家分享了Python实现感知器模型、两层神经网络,供大家参考,具体内容如下 。

python 3.4 因为使用了 numpy 。

这里我们首先实现一个感知器模型来实现下面的对应关系 。

[[0,0,1], ——- 0 [0,1,1], ——- 1 [1,0,1], ——- 0 [1,1,1]] ——- 1 。

从上面的数据可以看出:输入是三通道,输出是单通道.

Python实现感知器模型、两层神经网络

这里的激活函数我们使用 sigmoid 函数 f(x)=1/(1+exp(-x)) 。

其导数推导如下所示

Python实现感知器模型、两层神经网络

L0=W*X; z=f(L0); error=y-z; delta =error * f'(L0) * X; W=W+delta,

python 代码如下:

?
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
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 , 1 , 0 , 1 ]]).T
 
#seed( ) 用于指定随机数生成时所用算法开始的整数值,
#如果使用相同的seed( )值,则每次生成的随即数都相同,
#如果不设置这个值,则系统根据时间来自己选择这个值,
#此时每次生成的随机数因时间差异而不同。
np.random.seed( 1
 
# init weight value with mean 0
 
syn0 = 2 * np.random.random(( 3 , 1 )) - 1  
 
for iter in range ( 1000 ):
   # forward propagation
   L0 = X
   L1 = nonlin(np.dot(L0,syn0))
 
   # error
   L1_error = y - L1
 
   L1_delta = L1_error * nonlin(L1, True )
 
   # updata weight
   syn0 + = np.dot(L0.T,L1_delta)
 
print ( "Output After Training:" )
print (L1)

从输出结果可以看出基本实现了对应关系.

下面再用两层网络来实现上面的任务,这里加了一个隐层,隐层包含4个神经元.

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

原文链接:http://blog.csdn.net/zhangjunhit/article/details/53487109 。

最后此篇关于Python实现感知器模型、两层神经网络的文章就讲到这里了,如果你想了解更多关于Python实现感知器模型、两层神经网络的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com