Python实现2输入层3输出层BP神经网络代码

下面是一个简单的2输入层，3输出层的BP神经网络的代码示例：

import numpy as np

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

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, output_size):
        self.input_size = input_size
        self.output_size = output_size
        
        # 初始化权重和偏置
        self.weights1 = np.random.randn(self.input_size, self.output_size)
        self.bias1 = np.random.randn(self.output_size)
        
    def forward(self, X):
        # 前向传播
        self.z = np.dot(X, self.weights1) + self.bias1
        self.output = sigmoid(self.z)
        
        return self.output
    
    def backward(self, X, y, output):
        # 反向传播
        self.error = output - y
        self.gradient = sigmoid(self.z) * (1 - sigmoid(self.z))
        
        self.weights1 -= np.dot(X.T, self.error * self.gradient)
        self.bias1 -= np.sum(self.error * self.gradient, axis=0)
        
    def train(self, X, y, epochs):
        for epoch in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output)
            
    def predict(self, X):
        output = self.forward(X)
        predictions = np.round(output)
        
        return predictions

# 创建神经网络对象
nn = NeuralNetwork(2, 3)

# 定义输入和输出数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0, 0, 1], [0, 1, 0], [1, 0, 0], [1, 1, 1]])

# 训练神经网络
nn.train(X, y, epochs=10000)

# 预测新数据
new_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
predictions = nn.predict(new_data)
print(predictions)

这段代码创建了一个2输入层，3输出层的BP神经网络对象，并使用训练数据进行训练。然后，使用训练好的神经网络对象对新数据进行预测，并输出预测结果。