做网站的语言有哪些,网站不接入备案,建设银行网站钓鱼网站,成功的网站建设#!/usr/bin/python # -*- coding: utf-8 -*-写一个三层的BP神经网络#xff08;3#xff0c;2#xff0c;1#xff09;,3是输入数据的维度#xff0c;隐层设置节点数为2#xff0c;1是因为每个观测的target都是一个标量即只有一个数#xff1b; 1.随…#!/usr/bin/python # -*- coding: utf-8 -*-写一个三层的BP神经网络321,3是输入数据的维度隐层设置节点数为21是因为每个观测的target都是一个标量即只有一个数 1.随机生成两个随机矩阵作为三个层之间的连接权值注意矩阵大小设置设定误差阈值等参数 2.使用irandom.randint(0,len(x)-1)随机产生一个样品的输入及target 3.使用权值w1,w2,sigmoid函数、diffsigmoid函数计算隐层和输出层的输入输出 4.利用上面的随机样品的实际输出和期望输出之差e用e求偏导de/dwho、de/dwih 5.梯度下降法更新权值w1,w2 6.再次计算全局误差若满足设定的误差阈值返回当前权值否则重算print(__doc__) import random from sympy import * import numpy as np import pandas as pd datapd.read_csv(wenzi.csv,headerinfer) datanp.mat(data) xdata[:, :3] ydata[:, 3]#激活函数 def sigmoid(x):return ( 1/(1np.exp(-x)) ) #激活函数的导函数 def diffsigmoid(x):return (1- 1/(1np.exp(-x)) )*( 1/(1np.exp(-x)) )def upgrade_w1_w2(): #i是随机选取的一个样本erro0.01 #误差n_iter500 #迭代次数learnrate0.1 #学习率global w1,w2,b1,b2 w1 0.5 * np.random.rand(2,3) - 0.1 b1 0.5 * np.random.rand(2,1) - 0.1 w2 0.5 * np.random.rand(1,2) - 0.1 b2 0.5 * np.random.rand(1,1) - 0.1 随机抽取一个样本计算两个偏导de/dwih 、de/dwohirandom.randint(0,len(x)-1) obs np.array(x[i] )hidden_input_1np.dot(w1[0],obs.T) - b1[0] hidden_input_2w1[1].dot(obs.T)-b1[1]hidden_output_1sigmoid(hidden_input_1) hidden_output_2sigmoid(hidden_input_2)hidden_output_array[float(hidden_output_1),float(hidden_output_2)]outlayer_inputnp.dot(w2[0] ,(hidden_output_array)) - b2[0] #输出层只有一个节点 outlayer_outputsigmoid(outlayer_input)expect_outputy[i] lossexpect_output - outlayer_output sigma_t_k_1-(expect_output-sigmoid(outlayer_input)) * diffsigmoid(outlayer_input)Asigma_t_k_1 * hidden_output_array #de/dwho print(sigma_t_k_1\n,sigma_t_k_1) print(隐层的输出向量,hidden_output_array ) anp.array(sum(-(sigma_t_k_1)))print(sum(-(sigma_t_k_1)* w1) * obs,a*w1[0] * obs )B1diffsigmoid(hidden_input_1) * a* w1[0] * obsB2diffsigmoid(hidden_input_2) * a* w1[1] * obs 计算全局误差 while True:for j in range(len(x)):obs x[j]hidden_input_1np.mat(w1[0]).dot(obs.T) - b1[0] #隐层第一个节点上的输入hidden_input_2np.mat(w1[1]).dot(obs.T) - b1[1] #隐层第二个节点上的输入hidden_output_1sigmoid(hidden_input_1) #隐层第一个节点上的输出hidden_output_2sigmoid(hidden_input_2) #隐层第二个节点上的输出hidden_output_array[float(hidden_output_1),float(hidden_output_2)]outlayer_input_1w2[0].dot(hidden_output_array)-b2[0] #输出层的输入outlayer_output_1sigmoid(outlayer_input_1) #输入层的输出expect_outputy[i] #期望输出就是每个观测的target数值totalloss [] #建立空列表用以求和lossexpect_output - outlayer_output_1 #loss是每个观测的期望输出与实际输出的差totalloss.append(loss) #totallossnp.array(totalloss) #把列表转化为数组才能进行点乘如果全局误差大于阈值就要更新权重if 0.5*totalloss.dot(totalloss) erro:print(误差大于给定的阈值)new_w2_0w2[0]-learnrate* (sigma_t_k_1 * hidden_output_array)new_w2new_w2_0w2new_w2new_w1_0np.array(w1[0]-learnrate*B1)new_w1_1np.array(w1[1]-learnrate*B2)w1np.vstack((new_w1_0,new_w1_1))print(误差大于阈值时的全局损失; ,0.5*totalloss.dot(totalloss))print(误差大于阈值时的实际输出,sigmoid(outlayer_output_1))print(误差大于阈值时的w1权值矩阵\n,w1)print(误差大于阈值时的w2权值矩阵\n,w2)如果全局误差小于阈值就返回目前权if 0.5*totalloss.dot(totalloss) erro:print(\n误差满足要求)w1np.mat(w1)print(到更新的w1矩阵,w1 )print(得到更新的w2矩阵,w2)print(全局损失; ,0.5*totalloss.dot(totalloss))breakupgrade_w1_w2() #调用函数def classfier(test):obs test[0:,:3]hi_1np.mat(w1[0]).dot(obs.T) - b1[0]hi_2np.mat(w1[1]).dot(obs.T) - b1[1]ho_1sigmoid(hi_1)ho_2sigmoid(hi_2)hidden_output_array[float(hi_1),float(hi_2)]outlayer_input_1w2[0].dot(hidden_output_array)-b2[0]outlayer_output_1sigmoid(outlayer_input_1)print(经过最终神经网络训练后输出层的实际输出, outlayer_output_1)if outlayer_output_10.45:print(该测试样本和0.9代表的类别更接近)if outlayer_output_10.45:print(该测试样本和0.1代表的类别更接近)if outlayer_output_10.45:print(该测试样本可被任意归为两个类别之一)classfier(np.mat([[1.82,1.54,0]]))#这里的测试样本[[2.08,1.56,0]]是我从原先14个样本中挑选的训练集有13个留了1个作为测试该样本的target的确是0.1#说明我们训练出的BP神经网络模型有可信度训练集如下图所示最后一列是target目标值 任何程序错误以及技术疑问或需要解答的请添加