#coding:utf-8 ‘‘‘ Created on 2017年7月21日 @author: KLKJ ‘‘‘ import numpy as np def sigmoid(x,deriv=False): #定义激活函数,deriv=False时进行前向传播的运算,deriv=True进行反向传播的运算 if deriv == True: return x*(1-x)##这里x=1/(1+exp(-x)),是sigmoid函数求导后的结果 return 1/(1+np.exp(-x)) x = np.array([[0,0,1], [0,1,1], [1,0,1], [1,1,1], [0,0,1]] ) #输入5个样本,每个样本三个特征值 y = np.array([[0], [1], [1], [0], [0]]) #期望输出得分 np.random.seed(1)#随机种子 w0 = 2 * np.random.random((3,4))-1 #w0的维数与样本特征与神经元的个数有关,random初始化的值在(0,1)的半开区间内,让w0的值在(-1.+1)区间上 w1 = 2 * np.random.random((4,1))-1 print w0#查看w0的值 for j in xrange(60000): #迭代六万次 l0 = x #将x的值给l0,l0为输入层 l1 = sigmoid(np.dot(l0,w0)) #中间层经过第一层后的得分 l2 = sigmoid(np.dot(l1,w1)) #输出层的得分 l2_error = y - l2 #输出层的得分与期望形式得分的差异 if(j%10000) == 0: print ‘Error‘+str(np.mean(np.abs(l2_error)))#每经过一万次迭代输出一次差异值的平均值,以便观察差异值是否减小 l2_delta = l2_error * sigmoid(l2,deriv=True)#w1对错误的贡献 l1_error = l2_delta.dot(w1.T)#反向传播根据12_delta得出 l1_delta = l1_error * sigmoid(l1,deriv=True)#w0对错误的贡献 w1 += l1.T.dot(l2_delta) #根据反馈过来的结果对w1进行调节 w0 += l0.T.dot(l1_delta) #根据反馈过来的结果对w0进行调节
时间: 2024-10-05 09:02:20