随笔来自《Python神经网络编程》笔记，由简到繁逐步构建python神经网络。
先是大概框架： 1.初始化函数--设置输入、隐藏、输出节点的配置。
2.训练--学习数据，修正权重等
3.预测--输入数据，返回结果
框架代码如下：
1 class NeuralNetwork: 2 def __init__(self): 3 pass 4 def train(self): 5 pass 6 def query(self): 7 pass
1.初始化：
输入、隐藏、输出节点的数目决定网络的形状。因此初始化函数如下：
1 def __init__(self,inputnodes,hidnodes,outnodes,lrate): 2 self.inputnodes = inputnodes 3 self.hidnodes = hidnodes 4 self.outnodes = outnodes 5 self.lr = lrate
2.权重：
随机初始化权重，服从正态分布。
self.wih = np.random.normal(0.0,pow(self.hidnodes,-0.5), (self.hidnodes,self.inputnodes)) self.who = np.random.normal(0.0,pow(self.outnodes,-0.5), (self.outnodes,self.hidnodes))
3.预测：
输入信号的加权求和使用矩阵方便很多。
h_input = numpy.dot(self.win,inputs)
之后使用激活函数：Output = Sigmoid(X)
初始化激活函数：
self.activation = lambda x:scipy.special.expit(x)
正向传播过程代码
def query(self,input_list): inputs = np.array(input_list,ndmin=2).T h_input = np.dot(self.wih,inputs) h_output = self.activation(h_input) f_input = np.dot(self.who,h_output) f_output = self.activation(f_input) return f_output
简单测试：
n = NeuralNetwork(3,3,3,0.3) b = n.query([1.0,0.5,-1.5]) print(b)
其中权重是随机化的，因此可以测试前面过程是否正确：
[[0.63677225] [0.80971638] [0.56987426]]
由于权重随机，结果可能不一样。
目前代码如下：
1 import numpy as np 2 import scipy.special 3 4 class NeuralNetwork: 5 def __init__(self,inputnodes,hidnodes,outnodes,lrate): 6 self.inputnodes = inputnodes 7 self.hidnodes = hidnodes 8 self.outnodes = outnodes 9 self.lr = lrate 10 self.wih = np.random.normal(0.0,pow(self.hidnodes,-0.5), 11 (self.hidnodes,self.inputnodes)) 12 self.who = np.random.normal(0.0,pow(self.outnodes,-0.5), 13 (self.outnodes,self.hidnodes)) 14 self.activation = lambda x:scipy.special.expit(x) 15 16 def train(self): 17 pass 18 def query(self,input_list): 19 inputs = np.array(input_list,ndmin=2).T 20 h_input = np.dot(self.wih,inputs) 21 h_output = self.activation(h_input) 22 f_input = np.dot(self.who,h_output) 23 f_output = self.activation(f_input) 24 return f_output 25 26 n = NeuralNetwork(3,3,3,0.3) 27 b = n.query([1.0,0.5,-1.5]) 28 print(b)
训练函数的编写：
有两个任务：1.前向计算输出，功能如预测一样。2.后向根据误差修改权重。
1.前向：在predic（）的基础上增加了label项：
1 def train(self,input_list,labels_list): 2 inputs = np.array(input_list,ndmin=2).T 3 labels = np.array(labels_list,ndmin=2).T 4 h_input = np.dot(self.wih, inputs) 5 h_output = self.activation(h_input) 6 f_input = np.dot(self.who, h_output) 7 f_output = self.activation(f_input)
输出误差：
o_error = labels - f_output
隐藏层误差：
h_error = np.dot(self.who.T,o_error)
权重优化：
1 self.who += self.lr*np.dot((o_error*f_output*(1.0-f_output)),np.transpose(h_output)) 2 self.wih += self.lr*np.dot((h_error*h_output*(1.0-h_output)),np.transpose(inputs)) 3
完整代码：
1 import numpy as np 2 import scipy.special 3 4 class NeuralNetwork: 5 def __init__(self,inputnodes,hidnodes,outnodes,lrate): 6 self.inputnodes = inputnodes 7 self.hidnodes = hidnodes 8 self.outnodes = outnodes 9 self.lr = lrate 10 self.wih = np.random.normal(0.0,pow(self.hidnodes,-0.5), 11 (self.hidnodes,self.inputnodes)) 12 self.who = np.random.normal(0.0,pow(self.outnodes,-0.5), 13 (self.outnodes,self.hidnodes)) 14 self.activation = lambda x:scipy.special.expit(x) 15 16 def train(self,input_list,labels_list): 17 inputs = np.array(input_list,ndmin=2).T 18 labels = np.array(labels_list,ndmin=2).T 19 h_input = np.dot(self.wih, inputs) 20 h_output = self.activation(h_input) 21 f_input = np.dot(self.who, h_output) 22 f_output = self.activation(f_input) 23 24 o_error = labels - f_output 25 h_error = np.dot(self.who.T,o_error) 26 self.who += self.lr*np.dot((o_error*f_output*(1.0-f_output)),np.transpose(h_output)) 27 self.wih += self.lr*np.dot((h_error*h_output*(1.0-h_output)),np.transpose(inputs)) 28 def query(self,input_list): 29 inputs = np.array(input_list,ndmin=2).T 30 h_input = np.dot(self.wih,inputs) 31 h_output = self.activation(h_input) 32 f_input = np.dot(self.who,h_output) 33 f_output = self.activation(f_input) 34 return f_output 35 36 # n = NeuralNetwork(3,3,3,0.3) 37 # b = n.query([1.0,0.5,-1.5]) 38 # print(b)
原文：https://www.cnblogs.com/Time-machine/p/9256083.html
