生成一个简单的神经网络的关联性规则的示例python程序

以下是一个简单的神经网络的关联性规则的示例Python程序：

import numpy as np

# 定义神经网络的输入和输出
X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
y = np.array([[0], [1], [1], [0]])

# 定义神经网络的结构
input_size = 3
hidden_size = 4
output_size = 1

# 初始化神经网络的权重
W1 = np.random.randn(input_size, hidden_size)
W2 = np.random.randn(hidden_size, output_size)

# 定义神经网络的激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 训练神经网络
for i in range(10000):
    # 向前传播
    z1 = np.dot(X, W1)
    a1 = sigmoid(z1)
    z2 = np.dot(a1, W2)
    y_pred = sigmoid(z2)
    
    # 计算损失函数
    loss = np.square(y_pred - y).sum()
    
    # 向后传播
    d_loss = 2 * (y_pred - y)
    d_z2 = d_loss * sigmoid(z2) * (1 - sigmoid(z2))
    d_W2 = np.dot(a1.T, d_z2)
    d_a1 = np.dot(d_z2, W2.T)
    d_z1 = d_a1 * sigmoid(z1) * (1 - sigmoid(z1))
    d_W1 = np.dot(X.T, d_z1)
    
    # 更新权重
    W1 -= 0.1 * d_W1
    W2 -= 0.1 * d_W2

# 输出关联性规则
print("如果输入 [0, 0, 1]，则输出为", sigmoid(np.dot(sigmoid(np.dot([0, 0, 1], W1)), W2)))
print("如果输入 [0, 1, 1]，则输出为", sigmoid(np.dot(sigmoid(np.dot([0, 1, 1], W1)), W2)))
print("如果输入 [1, 0, 1]，则输出为", sigmoid(np.dot(sigmoid(np.dot([1, 0, 1], W1)), W2)))
print("如果输入 [1, 1, 1]，则输出为", sigmoid(np.dot(sigmoid(np.dot([1, 1, 1], W1)), W2)))

这个程序实现了一个简单的两层神经网络，使用随机初始化的权重进行训练，然后输出了一些关联性规则。在这个示例中，我们使用了sigmoid作为激活函数，使用均方误差作为损失函数，使用梯度下降算法来更新权重