邢台网站优化定制,wordpress如何设置用户登录,设计制作小车一微课,购物网站建设个人总结本文实例讲述了Python编程实现的简单神经网络算法。分享给大家供大家参考#xff0c;具体如下#xff1a;
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 Tru…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/(1np.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 脚本之家测试结果
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时预测结果为迭代次数为1000时预测结果为迭代次数为10000预测结果为迭代次数为100000预测结果为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/(1np.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 脚本之家测试结果
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
运行结果希望本文所述对大家Python程序设计有所帮助。
