用 Python 训练神经网络

最新推荐文章于 2025-03-12 13:50:34 发布

IT娜娜

最新推荐文章于 2025-03-12 13:50:34 发布

阅读量2.3k

点赞数 1

文章标签： python 神经网络深度学习

本文链接：https://blog.csdn.net/pydby01/article/details/122263783

版权

本文通过Python介绍如何训练神经网络，包括反向传播算法的应用，数据预处理，以及添加偏置节点来提升网络的灵活性。文章提供了代码示例，演示了从训练数据的准备到网络训练的过程，并展示了在分类任务上的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

介绍

老师讲解神经网络

在“运行神经网络”一章中，我们用 Python 代码编写了一个名为“神经网络”的类。此类的实例是具有三层的网络。当我们实例化此类的 ANN 时，层之间的权重矩阵是自动随机选择的。甚至可以在某些输入上运行这样的 ANN，但自然而然地，除了用于测试目的之外，它没有多大意义。这样的人工神经网络不能提供正确的分类结果。事实上，分类结果并没有适应预期的结果。权重矩阵的值必须根据分类任务进行设置。我们需要改进权重值，这意味着我们必须训练我们的网络。为了训练它，我们必须在train方法。如果您不了解反向传播并想了解它，我们建议您返回神经网络中的反向传播一章。

在了解并希望理解反向传播之后，您就可以完全理解该train方法了。

train使用输入向量和目标向量调用该方法。向量的形状可以是一维的，但它们会自动变成正确的二维形状，即reshape(input_vector.size, 1)和reshape(target_vector.size, 1)。之后我们调用run方法来获取网络的结果output_vector_network = self.run(input_vector)。此输出可能与target_vector. 我们计算出output_error减去网络的输出output_vector_network从target_vector。

 从scipy.special import expit as activation_function from scipy.stats import truncnorm导入numpy 作为 np
     
   

def  truncated_normal ( mean = 0 ,  sd = 1 ,  low = 0 ,  upp = 10 ): 
    return  truncnorm ( 
        ( low  -  mean )  /  sd ,  ( upp  -  mean )  /  sd ,  loc = mean ,  scale = sd )

类 神经网络：
    
    def  __init__ ( self ,  
                 no_of_in_nodes ,  
                 no_of_out_nodes ,  
                 no_of_hidden_nodes , 
                 learning_rate ): 
        self 。no_of_in_nodes  =  no_of_in_nodes 
        self 。no_of_out_nodes  =  no_of_out_nodes 
        self 。no_of_hidden_nodes  =  no_of_hidden_nodes 
        self 。learning_rate  =  learning_rate  
        self . create_weight_matrices ()
        
    def  create_weight_matrices ( self ): 
        """ 一种初始化神经网络权重矩阵的方法""" 
        rad  =  1  /  np . SQRT （自我。no_of_in_nodes ）
        X  =  truncated_normal （平均值= 0 ， SD = 1 ， 低= -弧度， UPP =弧度）
        自我。weights_in_hidden  =  X 。房车（（自我。no_of_hidden_nodes ， 
                                       self 。no_of_in_nodes )) 
        rad  =  1  /  np 。SQRT （自我。no_of_hidden_nodes ）
        X  =  truncated_normal （平均值= 0 ， SD = 1 ， 低= -弧度， UPP =弧度）
        自我。weights_hidden_out  =  X 。RVS （（自我。no_of_out_nodes ， 
                                        自我。no_of_hidden_nodes ))
        
    
    def  train ( self ,  input_vector ,  target_vector ): 
        """ 
        input_vector 和 target_vector 可以是元组、列表或 ndarrays 
        """ 
        # 确保向量具有正确的形状
        input_vector  =  np . 数组（input_vector ）
        input_vector  =  input_vector 。reshape ( input_vector . size ,  1 ) 
        target_vector  =  np 。数组（target_vector ）。重塑（目标向量。大小， 1 ）

        output_vector_hidden  =  activation_function （自我。weights_in_hidden  @  input_vector ）
        output_vector_network  =  activation_function （自我。weights_hidden_out  @  output_vector_hidden ）
        
        output_error  =  target_vector  -  output_vector_network 
        tmp  =  output_error  *  output_vector_network  *  ( 1.0  -  output_vector_network )     
        self 。weights_hidden_out  +=  self 。learning_rate   *  ( tmp  @  output_vector_hidden . T )

        # 计算隐藏错误：
        hidden_errors  =  self . weights_hidden_out 。Ť  @  output_error 
        ＃更新的权重：
        TMP  =  hidden_errors  *  output_vector_hidden  *  （1.0  -  output_vector_hidden ）
        自我。weights_in_hidden  +=  self 。learning_rate

最低0.47元/天解锁文章