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

来源：http://blog.csdn.net/zhangjunhit/article/details/53487109