Python实现感知器模型、两层神经网络


            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。 





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: 





L0=W*X;

z=f(L0);

error=y-z;

delta =error * f'(L0) * X;

W=W+delta;



python 代码如下：





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。





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中文源码网。