python人工智能算法之人工神经网络怎么使用

第python人工智能算法之人工神经网络怎么使用人工神经网络

（ArtificialNeuralNetwork，ANN）是一种模仿生物神经网络的结构和功能的数学模型，其目的是通过学习和训练，在处理未知的输入数据时能够进行复杂的非线性映射关系，实现自适应的智能决策。可以说，ANN是人工智能算法中最基础、最核心的一种算法。

ANN模型的基本结构包含输入层、隐藏层和输出层。输入层接收输入数据，隐藏层负责对数据进行多层次、高维度的变换和处理，输出层对处理后的数据进行输出。ANN的训练过程是通过多次迭代，不断调整神经网络中各层的权重，从而使得神经网络能够对输入数据进行正确的预测和分类。

人工神经网络算法示例

接下来看看一个简单的人工神经网络算法示例：

importnumpyasnp

classNeuralNetwork():

def__init__(self,layers):

layers:数组，包含每个层的神经元数量，例如[2,3,1]表示3层神经网络，第一层2个神经元，第二层3个神经元，第三层1个神经元。

weights:数组，包含每个连接的权重矩阵，默认值随机生成。

biases:数组，包含每个层的偏差值，默认值为0。

self.layers=layers

self.weights=[np.random.randn(a,b)fora,binzip(layers[1:],layers[:-1])]

self.biases=[np.zeros((a,1))forainlayers[1:]]

defsigmoid(self,z):

Sigmoid激活函数.

return1/(1+np.exp(-z))

defforward_propagation(self,a):

前向传播.

forw,binzip(self.weights,self.biases):

z=np.dot(w,a)+b

a=self.sigmoid(z)

returna

defbackward_propagation(self,x,y):

反向传播.

nabla_w=[np.zeros(w.shape)forwinself.weights]

nabla_b=[np.zeros(b.shape)forbinself.biases]

a=x

activations=[x]

zs=[]

forw,binzip(self.weights,self.biases):

z=np.dot(w,a)+b

zs.append(z)

a=self.sigmoid(z)

activations.append(a)

delta=self.cost_derivative(activations[-1],y)*self.sigmoid_prime(zs[-1])

nabla_b[-1]=delta

nabla_w[-1]=np.dot(delta,activations[-2].transpose())

forlinrange(2,len(self.layers)):

z=zs[-l]

sp=self.sigmoid_prime(z)

delta=np.dot(self.weights[-l+1].transpose(),delta)*sp

nabla_b[-l]=delta

nabla_w[-l]=np.dot(delta,activations[-l-1].transpose())

return(nabla_w,nabla_b)

deftrAIn(self,x_train,y_train,epochs,learning_rate):

训练网络.

forepochinrange(epochs):

nabla_w=[np.zeros(w.shape)forwinself.weights]

nabla_b=[np.zeros(b.shape)forbinself.biases]

forx,yinzip(x_train,y_train):

delta_nabla_w,delta_nabla_b=self.backward_propagation(np.array([x]).transpose(),np.array([y]).transpose())

nabla_w=[nw+dnwfornw,dnwinzip(nabla_w,delta_nabla_w)]

nabla_b=[nb+dnbfornb,dnbinzip(nabla_b,delta_nabla_b)]

self.weights=[w-(learning_rate/len(x_train))*nwforw,nwinzip(self.weights,nabla_w)]

self.biases=[b-(learning_rate/len(x_train))*nbforb,nbinzip(self.biases,nabla_b)]

defpredict(self,x_test):

预测.

y_predictions=[]

forxinx_test:

y_predictions.append(self.forward_propagation(np.array([x]).transpose())[0][0])

returny_predictions

defcost_derivative(self,output_activations,y):

损失函数的导数.

returnoutput_activations-y

defsigmoid_prime(self,z):

Sigmoid函数的导数.

returnself.sigmoid(z)*(1-self.sigmoid(z))

使用以下代码示例来实例化和使用这个简单的神经网络类：

x_train=[[0,0],[1,0],[0,1],[1,1]]

y_train=[0,1,1,0]

#创建神经网络

nn=NeuralNetwork([2,3,1])

#训练神经网络

nn.train(x_train,y_train,10000,0.1)

#测试神经网络

x_test=[[0,0],[1,0],[0,1],[1,1]]

y_test=[0,1,1,0]

y_predictions=nn.predict(x_test)

print(Predictions:,y_predicti