### Python 实现简单三层神经网络的搭建与测试 以下是基于反向传播（Backpropagation, BP）算法的一个简单三层神经网络的实现示例。该网络由输入层、隐藏层和输出层组成。 #### 1. 导入必要的库 为了简化计算过程，可以使用 `numpy` 库来处理矩阵运算。 ```python import numpy as np ``` #### 2. 定义激活函数及其导数 常用的激活函数是 Sigmoid 函数，其定义如下： \[ f(x) = \frac{1}{1 + e^{-x}} \] Sigmoid 的导数可以通过以下公式快速计算： \[ f'(x) = f(x)(1 - f(x)) \] ```python def sigmoid(x): return 1 / (1 + np.exp(-x)) def sigmoid_derivative(output): return output * (1 - output) ``` #### 3. 初始化权重 随机初始化连接输入层到隐藏层以及隐藏层到输出层的权重矩阵。这里假设输入节点数量为 2，隐藏层节点数量为 3，输出层节点数量为 1。 ```python np.random.seed(1) input_nodes = 2 hidden_nodes = 3 output_nodes = 1 weights_input_hidden = 2 * np.random.random((input_nodes, hidden_nodes)) - 1 # 输入层 -> 隐藏层 权重 weights_hidden_output = 2 * np.random.random((hidden_nodes, output_nodes)) - 1 # 隐藏层 -> 输出层 权重 ``` #### 4. 训练网络 通过多次迭代调整权重以最小化预测误差。每次前向传播后，利用误差进行反向传播更新权重。 ```python learning_rate = 0.5 training_inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) training_outputs = np.array([[0], [1], [1], [0]]) # XOR 数据集作为目标值 for iteration in range(20000): # 进行一定次数的训练 input_layer = training_inputs # 前向传播 hidden_layer_input = np.dot(input_layer, weights_input_hidden) hidden_layer_output = sigmoid(hidden_layer_input) output_layer_input = np.dot(hidden_layer_output, weights_hidden_output) output_layer_output = sigmoid(output_layer_input) # 反向传播 error = training_outputs - output_layer_output d_output = error * sigmoid_derivative(output_layer_output) error_hidden_layer = d_output.dot(weights_hidden_output.T) d_hidden_layer = error_hidden_layer * sigmoid_derivative(hidden_layer_output) # 更新权重 weights_hidden_output += hidden_layer_output.T.dot(d_output) * learning_rate weights_input_hidden += input_layer.T.dot(d_hidden_layer) * learning_rate ``` #### 5. 测试网络 完成训练后，可以用新的输入数据验证模型性能。 ```python test_input = np.array([0, 1]) hidden_test_output = sigmoid(np.dot(test_input, weights_input_hidden)) final_output = sigmoid(np.dot(hidden_test_output, weights_hidden_output)) print(f"Test Input {test_input} -> Output {final_output}") # 显示最终结果 ``` 以上代码展示了如何构建并训练一个简单的三层神经网络[^1]。它能够解决经典的异或（XOR）问题，并可根据需求扩展至更复杂的场景[^2]。 ---