这篇文章主要为大家详细介绍了Python实现神经网络(BP)算法及简单应用，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

本文实例为大家分享了Python实现神经网络算法及应用的具体代码，供大家参考，具体内容如下

首先用Python实现简单地神经网络算法：

import numpy as np# 定义tanh函数def tanh(x):return np.tanh(x)# tanh函数的导数def tan_deriv(x):return 1.0 - np.tanh(x) * np.tan(x)# sigmoid函数def logistic(x):return 1 / (1 + np.exp(-x))# sigmoid函数的导数def logistic_derivative(x):return logistic(x) * (1 - logistic(x))class NeuralNetwork:def __init__(self, layers, activation='tanh'):"""神经网络算法构造函数:param layers: 神经元层数:param activation: 使用的函数（默认tanh函数）:return:none"""if activation == 'logistic':self.activation = logisticself.activation_deriv = logistic_derivativeelif activation == 'tanh':self.activation = tanhself.activation_deriv = tan_deriv# 权重列表self.weights = []# 初始化权重（随机）for i in range(1, len(layers) - 1):self.weights.append((2 * np.random.random((layers[i - 1] + 1, layers[i] + 1)) - 1) * 0.25)self.weights.append((2 * np.random.random((layers[i] + 1, layers[i + 1])) - 1) * 0.25)def fit(self, X, y, learning_rate=0.2, epochs=10000):"""训练神经网络:param X: 数据集（通常是二维）:param y: 分类标记:param learning_rate: 学习率（默认0.2）:param epochs: 训练次数（最大循环次数，默认10000）:return: none"""# 确保数据集是二维的X = np.atleast_2d(X)temp = np.ones([X.shape[0], X.shape[1] + 1])temp[:, 0: -1] = XX = tempy = np.array(y)for k in range(epochs):# 随机抽取X的一行i = np.random.randint(X.shape[0])# 用随机抽取的这一组数据对神经网络更新a = [X[i]]# 正向更新for l in range(len(self.weights)):a.append(self.activation(np.dot(a[l], self.weights[l])))error = y[i] - a[-1]deltas = [error * self.activation_deriv(a[-1])]# 反向更新for l in range(len(a) - 2, 0, -1):deltas.append(deltas[-1].dot(self.weights[l].T) * self.activation_deriv(a[l]))deltas.reverse()for i in range(len(self.weights)):layer = np.atleast_2d(a[i])delta = np.atleast_2d(deltas[i])self.weights[i] += learning_rate * layer.T.dot(delta)def predict(self, x):x = np.array(x)temp = np.ones(x.shape[0] + 1)temp[0:-1] = xa = tempfor l in range(0, len(self.weights)):a = self.activation(np.dot(a, self.weights[l]))return a

使用自己定义的神经网络算法实现一些简单的功能：

小案例：

X: Y

0 0 0

0 1 1

1 0 1

1 1 0

from NN.NeuralNetwork import NeuralNetworkimport numpy as npnn = NeuralNetwork([2, 2, 1], 'tanh')temp = [[0, 0], [0, 1], [1, 0], [1, 1]]X = np.array(temp)y = np.array([0, 1, 1, 0])nn.fit(X, y)for i in temp:print(i, nn.predict(i))

发现结果基本机制，无限接近0或者无限接近1

第二个例子：识别图片中的数字

导入数据：

from sklearn.datasets import load_digitsimport pylab as pldigits = load_digits()print(digits.data.shape)pl.gray()pl.matshow(digits.images[0])pl.show()

观察下：大小：(1797, 64)

数字0

接下来的代码是识别它们：

import numpy as npfrom sklearn.datasets import load_digitsfrom sklearn.metrics import confusion_matrix, classification_reportfrom sklearn.preprocessing import LabelBinarizerfrom NN.NeuralNetwork import NeuralNetworkfrom sklearn.cross_validation import train_test_split# 加载数据集digits = load_digits()X = digits.datay = digits.target# 处理数据，使得数据处于0,1之间，满足神经网络算法的要求X -= X.min()X /= X.max()# 层数：# 输出层10个数字# 输入层64因为图片是8*8的，64像素# 隐藏层假设100nn = NeuralNetwork([64, 100, 10], 'logistic')# 分隔训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y)# 转化成sklearn需要的二维数据类型labels_train = LabelBinarizer().fit_transform(y_train)labels_test = LabelBinarizer().fit_transform(y_test)print("start fitting")# 训练3000次nn.fit(X_train, labels_train, epochs=3000)predictions = []for i in range(X_test.shape[0]):o = nn.predict(X_test[i])# np.argmax:第几个数对应最大概率值predictions.append(np.argmax(o))# 打印预测相关信息print(confusion_matrix(y_test, predictions))print(classification_report(y_test, predictions))

结果：

矩阵对角线代表预测正确的数量，发现正确率很多

这张表更直观地显示出预测正确率：

共450个案例，成功率94%

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持小编。