NeuralNetwork.py文件去哪儿了？

Answer 1

wangwox 2019-02-07 22:00:47

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93

import numpy as np def tanh(x):     return np.tanh(x)    def tanh_deriv(x):     return 1.0-np.tanh(x)*np.tanh(x)    def logistic(x):     return 1/(1+np.exp(-x))    def logistic_derivative(x):     return logistic(x)*(1-logistic(x))    class NeuralNetwork:     def __init__(self,layers,activation='tanh'):     #根据类实例化一个函数，_init_代表的是构造函数     #self相当于java中的this         """         :param layers:一个列表，包含了每层神经网络中有几个神经元，至少有两层，输入层不算作                 [, , ,]中每个值代表了每层的神经元个数         :param activation：激活函数可以使用tanh 和 logistics，不指明的情况下就是tanh函数         """         if activation =='logistic':             self.activation = logistic             self.activation_deriv = logistic_derivative         elif activation =='tanh':             self.activation =tanh             self.activation_deriv=tanh_deriv         #初始化weights,             self.weights =[]         #len(layers)layer是一个list[10,10,3]，则len(layer)=3         #除了输出层都要赋予一个随机产生的权重         for i in range(1,len(layers)-1):             #np.random.random为nunpy随机产生的数             #实际是以第二层开始，前后都连线赋予权重，权重位于[-0.25,0.25]之间             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)     #定义一个方法，训练神经网络     def fit(self,X,y,learning_rate=0.2,epochs=10000):         #X：数据集,确认是二维，每行是一个实例，每个实例有一些特征值         X=np.atleast_2d(X)         #np.ones初始化一个矩阵，传入两个参数全是1         #X.shape返回的是一个list[行数，列数]         #X.shape[0]返回的是行，X.shape[1]+1：比X多1，对bias进行赋值为1         temp = np.ones([X.shape[0],X.shape[1]+1])         #“ ：”取所有的行         #“0：-1”从第一列到倒数第二列，-1代表的是最后一列         temp[:,0:-1]=X         X=temp         #y：classlabel，函数的分类标记         y=np.array(y)         #K代表的是第几轮循环          for k in range(epochs):             #从0到X.shape[0]随机抽取一行做实例             i =np.random.randint(X.shape[0])             a=[X[i]]                           #正向更新权重    ，len(self.weights)等于神经网络层数             for l in range(len(self.weights)):                 #np.dot代表两参数的内积，x.dot(y) 等价于 np.dot(x,y)                 #即a与weights内积，之后放入非线性转化function求下一层                 #a输入层，append不断增长，完成所有正向的更新                 a.append(self.activation(np.dot(a[l],self.weights[l])))             #计算错误率，y[i]真实标记   ，a[-1]预测的classlable                error=y[i]-a[-1]             #计算输出层的误差，根据最后一层当前神经元的值，反向更新             deltas =[error*self.activation_deriv(a[-1])]                           #反向更新             #len(a)所有神经元的层数，不能算第一场和最后一层             #从最后一层到第0层，每次-1             for l in range(len(a)-2,0,-1):                 #                 deltas.append(deltas[-1].dot(self.weights[l].T)*self.activation_deriv(a[l]))             #reverse将deltas的层数跌倒过来             deltas.reverse()             for i in range(len(self.weights)):                 #                 layer = np.atleast_2d(a[i])                 #delta代表的是权重更新                 delta = np.atleast_2d(deltas[i])                 #layer.T.dot(delta)误差和单元格的内积                 self.weights[i]+=learning_rate*layer.T.dot(delta)               def predict(self,x):         x=np.array(x)         temp=np.ones(x.shape[0]+1)         #从0行到倒数第一行         temp[0:-1]=x          a=temp         for l in range(0,len(self.weights)):             a=self.activation(np.dot(a,self.weights[l]))         return a

• wangwox #1

  我也没找到,我自己用的是百度搜到的

• 提问者 宝慕林309924 #2

  非常感谢！