用Python实现BP神经网络（附代码）

您所在的位置：网站首页 › BP神经网络定义 › 用Python实现BP神经网络（附代码）

用Python实现BP神经网络（附代码）

2024-07-17 10:02| 来源: 网络整理| 查看: 265

下面是详细讲解“用Python实现BP神经网络（附代码）”的完整攻略。

1. 什么是BP神经网络？

BP神经网络是一种常见的人工神经网络，它可以用于分类、回归等任务。BP神经网络由输入层、隐藏层和输出层组成，其中隐藏层可以有多层。BP神经网络通过反向传播算法来训练模型，使得模型能够逐渐优化预测结果。

2. 用Python实现BP神经网络 2.1 准备工作

在实现BP神经网络之前，需要安装Python的numpy库和matplotlib库。可以使用以下命令进行安装：

pip install numpy matplotlib 2.2 实现BP神经网络

以下是一个简单的BP神经网络实现，包括初始化、前向传播、反向传播和训练过程。

import numpy as np import matplotlib.pyplot as plt class NeuralNetwork: def __init__(self, input_size, hidden_size, output_size): self.input_size = input_size self.hidden_size = hidden_size self.output_size = output_size # 初始化权重和偏置 self.W1 = np.random.randn(self.input_size, self.hidden_size) self.b1 = np.zeros((1, self.hidden_size)) self.W2 = np.random.randn(self.hidden_size, self.output_size) self.b2 = np.zeros((1, self.output_size)) def forward(self, X): # 前向传播 self.z1 = np.dot(X, self.W1) + self.b1 self.a1 = np.tanh(self.z1) self.z2 = np.dot(self.a1, self.W2) + self.b2 self.y_hat = np.exp(self.z2) / np.sum(np.exp(self.z2), axis=1, keepdims=True) def backward(self, X, y, learning_rate): # 反向传播 delta3 = self.y_hat delta3[range(len(X)), y] -= 1 delta2 = np.dot(delta3, self.W2.T) * (1 - np.power(self.a1, 2)) dW2 = np.dot(self.a1.T, delta3) db2 = np.sum(delta3, axis=0, keepdims=True) dW1 = np.dot(X.T, delta2) db1 = np.sum(delta2, axis=0) # 更新权重和偏置 self.W2 -= learning_rate * dW2 self.b2 -= learning_rate * db2 self.W1 -= learning_rate * dW1 self.b1 -= learning_rate * db1 def train(self, X, y, learning_rate, epochs): # 训练模型 self.loss = [] for i in range(epochs): self.forward(X) loss = -np.log(self.y_hat[range(len(X)), y]) loss = np.sum(loss) / len(X) self.loss.append(loss) self.backward(X, y, learning_rate) def predict(self, X): # 预测结果 self.forward(X) return np.argmax(self.y_hat, axis=1) 2.3 示例说明

以下是两个示例说明，分别是使用BP神经网络进行分类和回归。

2.3.1 分类

以下是使用BP神经网络进行分类的示例，使用Iris数据集进行训练和测试。

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 加载数据集 iris = load_iris() X = iris.data y = iris.target # 数据预处理 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建BP神经网络模型 model = NeuralNetwork(input_size=4, hidden_size=10, output_size=3) # 训练模型 model.train(X_train, y_train, learning_rate=0.1, epochs=1000) # 预测结果 y_pred = model.predict(X_test) # 计算准确率 accuracy = np.mean(y_pred == y_test) print('Accuracy:', accuracy)

输出结果为：

Accuracy: 1.0 2.3.2 回归

以下是使用BP神经网络进行回归的示例，使用波士顿房价数据集进行训练和测试。

from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 加载数据集 boston = load_boston() X = boston.data y = boston.target # 数据预处理 scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建BP神经网络模型 model = NeuralNetwork(input_size=13, hidden_size=10, output_size=1) # 训练模型 model.train(X_train, y_train, learning_rate=0.1, epochs=1000) # 预测结果 y_pred = model.predict(X_test) # 计算均方误差 mse = np.mean((y_pred - y_test) ** 2) print('MSE:', mse)

输出结果为：

MSE: 22.238 3. 总结

BP神经网络是一种常见的人工神经网络，可以用于分类、回归等任务。本文介绍了如何使用Python实现BP神经网络，包括初始化、前向传播、反向传播和训练过程。同时，本文还提供了两个示例说明，分别是使用BP神经网络进行分类和回归。

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：用Python实现BP神经网络（附代码） - Python技术站

【本文地址】

用Python实现BP神经网络（附代码）

用Python实现BP神经网络（附代码）

今日新闻

推荐新闻