本文實(shí)例講述了Python編程實(shí)現(xiàn)的簡單神經(jīng)網(wǎng)絡(luò)算法。分享給大家供大家參考，具體如下：

python實(shí)現(xiàn)二層神經(jīng)網(wǎng)絡(luò)

包括輸入層和輸出層

# -*- coding:utf-8 -*-

#! python2

import numpy as np

#sigmoid function

def nonlin(x, deriv = False):

if(deriv == True):

return x*(1-x)

return 1/(1+np.exp(-x))

#input dataset

x = np.array([[0,0,1],

[0,1,1],

[1,0,1],

[1,1,1]])

#output dataset

y = np.array([[0,0,1,1]]).T

np.random.seed(1)

#init weight value

syn0 = 2*np.random.random((3,1))-1

print "腳本之家測試結(jié)果："

for iter in xrange(100000):

l0 = x #the first layer,and the input layer

l1 = nonlin(np.dot(l0,syn0)) #the second layer,and the output layer

l1_error = y-l1

l1_delta = l1_error*nonlin(l1,True)

syn0 += np.dot(l0.T, l1_delta)

print "outout after Training:"

print l1

這里，

l0:輸入層

l1:輸出層

syn0:初始權(quán)值

l1_error:誤差

l1_delta:誤差校正系數(shù)

func nonlin:sigmoid函數(shù)

這里迭代次數(shù)為100時，預(yù)測結(jié)果為

迭代次數(shù)為1000時，預(yù)測結(jié)果為：

迭代次數(shù)為10000，預(yù)測結(jié)果為：

迭代次數(shù)為100000，預(yù)測結(jié)果為：

可見迭代次數(shù)越多，預(yù)測結(jié)果越接近理想值，當(dāng)時耗時也越長。

python實(shí)現(xiàn)三層神經(jīng)網(wǎng)絡(luò)

包括輸入層、隱含層和輸出層

# -*- coding:utf-8 -*-

#! python2

import numpy as np

def nonlin(x, deriv = False):

if(deriv == True):

return x*(1-x)

else:

return 1/(1+np.exp(-x))

#input dataset

X = np.array([[0,0,1],

[0,1,1],

[1,0,1],

[1,1,1]])

#output dataset

y = np.array([[0,1,1,0]]).T

syn0 = 2*np.random.random((3,4)) - 1 #the first-hidden layer weight value

syn1 = 2*np.random.random((4,1)) - 1 #the hidden-output layer weight value

print "腳本之家測試結(jié)果："

for j in range(60000):

l0 = X #the first layer,and the input layer

l1 = nonlin(np.dot(l0,syn0)) #the second layer,and the hidden layer

l2 = nonlin(np.dot(l1,syn1)) #the third layer,and the output layer

l2_error = y-l2 #the hidden-output layer error

if(j%10000) == 0:

print "Error:"+str(np.mean(l2_error))

l2_delta = l2_error*nonlin(l2,deriv = True)

l1_error = l2_delta.dot(syn1.T) #the first-hidden layer error

l1_delta = l1_error*nonlin(l1,deriv = True)

syn1 += l1.T.dot(l2_delta)

syn0 += l0.T.dot(l1_delta)

print "outout after Training:"

print l2

運(yùn)行結(jié)果：

希望本文所述對大家Python程序設(shè)計有所幫助。

總結(jié)

以上是生活随笔為你收集整理的python神经网络实例_Python编程实现的简单神经网络算法示例的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。