在\"一文彻底弄懂BP算法：原理推导+数据演示+项目实战 :param inputs: 上一层神经元的输出 :return: 当前层神经元的输入 \"\"\" bias_term = weights[-1] z = 0 for i in range(len(weights)-1): z += weights[i] * inputs[i] z += bias_term return zdef sigmoid(z): \"\"\"激活函数(Sigmoid)：f(z) = Sigmoid(z) :param z: 神经元的输入 :return: 神经元的输出 \"\"\" return 1.0 / (1.0 + math.exp(-z))def sigmoid_derivative(output): \"\"\"Sigmoid激活函数求导 :param output: 激活函数的输出值 :return: 求导计算结果 \"\"\" return output * (1.0 - output)
函数\"fun_z\"实现了公式\"z = weight * inputs + b\"，其中inputs是上一层网络的输出，weight是当前层的权重矩阵，b是当前层的偏置项，计算得到的z是当前层的输入。文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
函数\"sigmoid\"是Sigmoid激活函数的实现，将z作为激活函数的输入，计算得到当前层的输出，并传递到下一层。文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
函数\"sigmoid_derivative\"是Sigmoid函数求导的实现，在误差反向传布的时候需要用到。文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
接下来咱们实现BP网络的前向传布：文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
def forward_propagate(network, inputs): \"\"\"前向传布计算 :param network: 神经网络 :param inputs: 一个样本数据 :return: 前向传布计算的结果 \"\"\" for layer in network: 文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
def backward_propagate_error(network, actual_label): \"\"\"误差进行反向传布 :param network: 神经网络 :param actual_label: 真正的标签值 :return: \"\"\" for i in reversed(range(len(network))): 文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
在计算得到每一一层的误差项以后，咱们依据上篇中介绍的权重矩阵以及偏置项的更新公式来更新参数：文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
def update_parameters(network, row, l_rate): \"\"\"应用误差更新神经网络的参数 :param n_inputs: 特征列数 :param n_hidden: 暗藏层神经元个数 :param n_outputs: 输出层神经元个数，即分类的总种别数 :return: 初始化后的神经网络 \"\"\" network = list() 文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
接下来咱们实现模型的训练部份：文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
def train(train_data, l_rate, epochs, n_hidden, val_data): \"\"\"训练神经网络 \"\"\" correct_count = 0 for i in range(len(actual_label)): if actual_label[i] == predicted_label[i]: correct_count += 1 return correct_count / float(len(actual_label)) * 100.0def predict(network, row): \"\"\"使用模型对当前输入的数据进行预测 :param network: 神经网络 :param row: 一个数据样本 :return: 预测结果 \"\"\" outputs = forward_propagate(network, row) return outputs.index(max(outputs))文章源自微观生活（93wg.com）微观生活-https://93wg.com/23228.html
最后咱们运行代码：
if __name__ == \"__main__\": file_path = \'./iris.csv\'
以上就是微观生活（93wg.com）关于“一文彻底弄懂BP算法：原理推导+数据演示+项目实战（下篇）”的详细内容，希望对大家有所帮助！
评论