下面给出一个简单的Python实现三层神经网络的教程示例。三层神经网络通常包含输入层、隐藏层和输出层。 ### 实现步骤 #### 1. 导入必要的库 ```python import numpy as np ``` #### 2. 定义激活函数及其导数 这里使用Sigmoid函数作为激活函数。 ```python def sigmoid(x): return 1 / (1 + np.exp(-x)) def sigmoid_derivative(x): return x * (1 - x) ``` #### 3. 定义三层神经网络类 ```python class NeuralNetwork: def __init__(self, input_size, hidden_size, output_size): # 初始化权重 self.weights_input_hidden = np.random.uniform(-1, 1, (input_size, hidden_size)) self.weights_hidden_output = np.random.uniform(-1, 1, (hidden_size, output_size)) def forward(self, X): # 前向传播 self.hidden_input = np.dot(X, self.weights_input_hidden) self.hidden_output = sigmoid(self.hidden_input) self.final_input = np.dot(self.hidden_output, self.weights_hidden_output) self.final_output = sigmoid(self.final_input) return self.final_output def backward(self, X, y, output): # 反向传播 self.output_error = y - output self.output_delta = self.output_error * sigmoid_derivative(output) self.hidden_error = self.output_delta.dot(self.weights_hidden_output.T) self.hidden_delta = self.hidden_error * sigmoid_derivative(self.hidden_output) # 更新权重 self.weights_hidden_output += self.hidden_output.T.dot(self.output_delta) self.weights_input_hidden += X.T.dot(self.hidden_delta) def train(self, X, y, epochs): for epoch in range(epochs): output = self.forward(X) self.backward(X, y, output) ``` #### 4. 训练神经网络 ```python # 示例数据 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([[0], [1], [1], [0]]) # 创建神经网络实例 input_size = 2 hidden_size = 2 output_size = 1 nn = NeuralNetwork(input_size, hidden_size, output_size) # 训练神经网络 epochs = 10000 nn.train(X, y, epochs) # 测试 test_output = nn.forward(X) print("预测结果:") print(test_output) ``` ### 代码解释 - **导入库**：使用`numpy`库进行数值计算。 - **激活函数**：Sigmoid函数用于将输入映射到0到1之间，其导数用于反向传播过程中计算梯度。 - **神经网络类**： - `__init__`方法初始化输入层到隐藏层和隐藏层到输出层的权重。 - `forward`方法实现前向传播，计算每层的输出。 - `backward`方法实现反向传播，计算误差并更新权重。 - `train`方法进行多次迭代训练。 - **训练和测试**：使用示例数据进行训练，并输出预测结果。