本文给大家分享怎样用python实现两层神经网络和感知器模型，具体内容和例子如下所示，可供大家参考
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))
立即学习“Python免费学习笔记（深入）”；
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相信看了这些案例你已经掌握了方法，更多精彩请关注php中文网其它相关文章！
相关阅读：
