python实现BP算法的代码

以下是一个简单的Python实现BP算法的代码：

import numpy as np

# 定义sigmoid函数，用于激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义sigmoid的导数，用于反向传播
def sigmoid_derivative(x):
    return x * (1 - x)

# 定义BP算法的类
class NeuralNetwork:
    def __init__(self, x, y):
        self.input = x
        self.weights1 = np.random.rand(self.input.shape[1], 4)
        self.weights2 = np.random.rand(4, 1)
        self.y = y
        self.output = np.zeros(self.y.shape)

    def feedforward(self):
        self.layer1 = sigmoid(np.dot(self.input, self.weights1))
        self.output = sigmoid(np.dot(self.layer1, self.weights2))

    def backprop(self):
        d_weights2 = np.dot(self.layer1.T, (2*(self.y - self.output) * sigmoid_derivative(self.output)))
        d_weights1 = np.dot(self.input.T,  (np.dot(2*(self.y - self.output) * sigmoid_derivative(self.output), self.weights2.T) * sigmoid_derivative(self.layer1)))

        self.weights1 += d_weights1
        self.weights2 += d_weights2

    def train(self, epochs):
        for i in range(epochs):
            self.feedforward()
            self.backprop()

        print("Output after training:")
        print(self.output)


# 测试
X = np.array([[0,0,1],
              [0,1,1],
              [1,0,1],
              [1,1,1]])
y = np.array([[0],[1],[1],[0]])

nn = NeuralNetwork(X, y)
nn.train(1500)

该代码实现了一个简单的3层神经网络，包括输入层、隐藏层和输出层，其中隐藏层包含4个神经元。训练数据是一个XOR逻辑门的输入输出，即当输入为(0,0)或(1,1)时，输出为0；当输入为(0,1)或(1,0)时，输出为1。

在训练过程中，我们首先进行前向传播，然后计算输出误差，并通过反向传播调整权重。最后输出训练后的模型的预测结果