三层BP神经网络的python实现

这是一个非常漂亮的三层反向传播神经网络的python实现,下一步我准备试着将其修改为多层BP神经网络。

 

下面是运行演示函数的截图,你会发现预测的结果很惊人!

 

 

 

 

提示:运行演示函数的时候,可以尝试改变隐藏层的节点数,看节点数增加了,预测的精度会否提升

 

  1 import math
  2 import random
  3 import string
  4 
  5 random.seed(0)
  6 
  7 # 生成区间[a, b)内的随机数
  8 def rand(a, b):
  9     return (b-a)*random.random() + a
 10 
 11 # 生成大小 I*J 的矩阵,默认零矩阵 (当然,亦可用 NumPy 提速)
 12 def makeMatrix(I, J, fill=0.0):
 13     m = []
 14     for i in range(I):
 15         m.append([fill]*J)
 16     return m
 17 
 18 # 函数 sigmoid,这里采用 tanh,因为看起来要比标准的 1/(1+e^-x) 漂亮些
 19 def sigmoid(x):
 20     return math.tanh(x)
 21 
 22 # 函数 sigmoid 的派生函数, 为了得到输出 (即:y)
 23 def dsigmoid(y):
 24     return 1.0 - y**2
 25 
 26 class NN:
 27     ''' 三层反向传播神经网络 '''
 28     def __init__(self, ni, nh, no):
 29         # 输入层、隐藏层、输出层的节点(数)
 30         self.ni = ni + 1 # 增加一个偏差节点
 31         self.nh = nh
 32         self.no = no
 33 
 34         # 激活神经网络的所有节点(向量)
 35         self.ai = [1.0]*self.ni
 36         self.ah = [1.0]*self.nh
 37         self.ao = [1.0]*self.no
 38         
 39         # 建立权重(矩阵)
 40         self.wi = makeMatrix(self.ni, self.nh)
 41         self.wo = makeMatrix(self.nh, self.no)
 42         # 设为随机值
 43         for i in range(self.ni):
 44             for j in range(self.nh):
 45                 self.wi[i][j] = rand(-0.2, 0.2)
 46         for j in range(self.nh):
 47             for k in range(self.no):
 48                 self.wo[j][k] = rand(-2.0, 2.0)
 49 
 50         # 最后建立动量因子(矩阵)
 51         self.ci = makeMatrix(self.ni, self.nh)
 52         self.co = makeMatrix(self.nh, self.no)
 53 
 54     def update(self, inputs):
 55         if len(inputs) != self.ni-1:
 56             raise ValueError('与输入层节点数不符!')
 57 
 58         # 激活输入层
 59         for i in range(self.ni-1):
 60             #self.ai[i] = sigmoid(inputs[i])
 61             self.ai[i] = inputs[i]
 62 
 63         # 激活隐藏层
 64         for j in range(self.nh):
 65             sum = 0.0
 66             for i in range(self.ni):
 67                 sum = sum + self.ai[i] * self.wi[i][j]
 68             self.ah[j] = sigmoid(sum)
 69 
 70         # 激活输出层
 71         for k in range(self.no):
 72             sum = 0.0
 73             for j in range(self.nh):
 74                 sum = sum + self.ah[j] * self.wo[j][k]
 75             self.ao[k] = sigmoid(sum)
 76 
 77         return self.ao[:]
 78 
 79     def backPropagate(self, targets, N, M):
 80         ''' 反向传播 '''
 81         if len(targets) != self.no:
 82             raise ValueError('与输出层节点数不符!')
 83 
 84         # 计算输出层的误差
 85         output_deltas = [0.0] * self.no
 86         for k in range(self.no):
 87             error = targets[k]-self.ao[k]
 88             output_deltas[k] = dsigmoid(self.ao[k]) * error
 89 
 90         # 计算隐藏层的误差
 91         hidden_deltas = [0.0] * self.nh
 92         for j in range(self.nh):
 93             error = 0.0
 94             for k in range(self.no):
 95                 error = error + output_deltas[k]*self.wo[j][k]
 96             hidden_deltas[j] = dsigmoid(self.ah[j]) * error
 97 
 98         # 更新输出层权重
 99         for j in range(self.nh):
100             for k in range(self.no):
101                 change = output_deltas[k]*self.ah[j]
102                 self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]
103                 self.co[j][k] = change
104                 #print(N*change, M*self.co[j][k])
105 
106         # 更新输入层权重
107         for i in range(self.ni):
108             for j in range(self.nh):
109                 change = hidden_deltas[j]*self.ai[i]
110                 self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]
111                 self.ci[i][j] = change
112 
113         # 计算误差
114         error = 0.0
115         for k in range(len(targets)):
116             error = error + 0.5*(targets[k]-self.ao[k])**2
117         return error
118 
119     def test(self, patterns):
120         for p in patterns:
121             print(p[0], '->', self.update(p[0]))
122 
123     def weights(self):
124         print('输入层权重:')
125         for i in range(self.ni):
126             print(self.wi[i])
127         print()
128         print('输出层权重:')
129         for j in range(self.nh):
130             print(self.wo[j])
131 
132     def train(self, patterns, iterations=1000, N=0.5, M=0.1):
133         # N: 学习速率(learning rate)
134         # M: 动量因子(momentum factor)
135         for i in range(iterations):
136             error = 0.0
137             for p in patterns:
138                 inputs = p[0]
139                 targets = p[1]
140                 self.update(inputs)
141                 error = error + self.backPropagate(targets, N, M)
142             if i % 100 == 0:
143                 print('误差 %-.5f' % error)
144 
145 
146 def demo():
147     # 一个演示:教神经网络学习逻辑异或(XOR)------------可以换成你自己的数据试试
148     pat = [
149         [[0,0], [0]],
150         [[0,1], [1]],
151         [[1,0], [1]],
152         [[1,1], [0]]
153     ]
154 
155     # 创建一个神经网络:输入层有两个节点、隐藏层有两个节点、输出层有一个节点
156     n = NN(2, 2, 1)
157     # 用一些模式训练它
158     n.train(pat)
159     # 测试训练的成果(不要吃惊哦)
160     n.test(pat)
161     # 看看训练好的权重(当然可以考虑把训练好的权重持久化)
162     #n.weights()
163     
164     
165 if __name__ == '__main__':
166     demo()

 

posted @ 2015-02-28 05:06 罗兵 阅读(...) 评论(...) 编辑 收藏