python人工神經網絡如何使用

這篇文章主要介紹了python人工神經網絡如何使用的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇python人工神經網絡如何使用文章都會有所收獲，下面我們一起來看看吧。

人工神經網絡

（Artificial Neural Network，ANN）是一種模仿生物神經網絡的結構和功能的數學模型，其目的是通過學習和訓練，在處理未知的輸入數據時能夠進行復雜的非線性映射關系，實現自適應的智能決策。可以說，ANN是人工智能算法中最基礎、最核心的一種算法。

ANN模型的基本結構包含輸入層、隱藏層和輸出層。輸入層接收輸入數據，隱藏層負責對數據進行多層次、高維度的變換和處理，輸出層對處理后的數據進行輸出。ANN的訓練過程是通過多次迭代，不斷調整神經網絡中各層的權重，從而使得神經網絡能夠對輸入數據進行正確的預測和分類。

人工神經網絡算法示例

接下來看看一個簡單的人工神經網絡算法示例：

import numpy as np
class NeuralNetwork():
    def __init__(self, layers):
        """
        layers: 數組，包含每個層的神經元數量，例如 [2, 3, 1] 表示 3 層神經網絡，第一層 2 個神經元，第二層 3 個神經元，第三層 1 個神經元。
        weights: 數組，包含每個連接的權重矩陣，默認值隨機生成。
        biases: 數組，包含每個層的偏差值，默認值為 0。
        """
        self.layers = layers
        self.weights = [np.random.randn(a, b) for a, b in zip(layers[1:], layers[:-1])]
        self.biases = [np.zeros((a, 1)) for a in layers[1:]]
    def sigmoid(self, z):
        """Sigmoid 激活函數."""
        return 1 / (1 + np.exp(-z))
    def forward_propagation(self, a):
        """前向傳播."""
        for w, b in zip(self.weights, self.biases):
            z = np.dot(w, a) + b
            a = self.sigmoid(z)
        return a
    def backward_propagation(self, x, y):
        """反向傳播."""
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        a = x
        activations = [x]
        zs = []
        for w, b in zip(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())
        for l in range(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)
    def train(self, x_train, y_train, epochs, learning_rate):
        """訓練網絡."""
        for epoch in range(epochs):
            nabla_w = [np.zeros(w.shape) for w in self.weights]
            nabla_b = [np.zeros(b.shape) for b in self.biases]
            for x, y in zip(x_train, y_train):
                delta_nabla_w, delta_nabla_b = self.backward_propagation(np.array([x]).transpose(), np.array([y]).transpose())
                nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
                nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
            self.weights = [w-(learning_rate/len(x_train))*nw for w, nw in zip(self.weights, nabla_w)]
            self.biases = [b-(learning_rate/len(x_train))*nb for b, nb in zip(self.biases, nabla_b)]
    def predict(self, x_test):
        """預測."""
        y_predictions = []
        for x in x_test:
            y_predictions.append(self.forward_propagation(np.array([x]).transpose())[0][0])
        return y_predictions
    def cost_derivative(self, output_activations, y):
        """損失函數的導數."""
        return output_activations - y
    def sigmoid_prime(self, z):
        """Sigmoid 函數的導數."""
        return self.sigmoid(z) * (1 - self.sigmoid(z))

使用以下代碼示例來實例化和使用這個簡單的神經網絡類：

x_train = [[0, 0], [1, 0], [0, 1], [1, 1]]
y_train = [0, 1, 1, 0]
# 創建神經網絡
nn = NeuralNetwork([2, 3, 1])
# 訓練神經網絡
nn.train(x_train, y_train, 10000, 0.1)
# 測試神經網絡
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_predictions)
print("Actual:", y_test)

輸出結果：

Predictions: [0.011602156431658403, 0.9852717774725432, 0.9839448924887225, 0.020026540429992387]
Actual: [0, 1, 1, 0]

關于“python人工神經網絡如何使用”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“python人工神經網絡如何使用”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。