这篇文章主要介绍了python基于numpy灵活定义神经网络结构的方法,结合实例形式分析了神经网络结构的原理及python具体实现方法,涉及python使用numpy扩展进行数学运算的相关操作技巧,需要的朋友可以参考下
本文实例讲述了Python基于numpy灵活定义神经网络结构的方法。分享给大家供大家参考，具体如下：
用numpy可以灵活定义神经网络结构，还可以应用numpy强大的矩阵运算功能！
一、用法
1）. 定义一个三层神经网络：
立即学习“Python免费学习笔记（深入）”；
'''示例一'''nn = NeuralNetworks([3,4,2]) # 定义神经网络nn.fit(X,y) # 拟合print(nn.predict(X)) #预测
登录后复制
说明：
输入层节点数目：3
隐藏层节点数目：4
输出层节点数目：2
2）.定义一个五层神经网络：
'''示例二'''nn = NeuralNetworks([3,5,7,4,2]) # 定义神经网络nn.fit(X,y) # 拟合print(nn.predict(X)) #预测
登录后复制
说明：
输入层节点数目：3
隐藏层1节点数目：5
隐藏层2节点数目：7
隐藏层3节点数目：4
输出层节点数目：2
二、实现
如下实现方式为本人（@hhh5460）原创。 要点： dtype=object
import numpy as npclass NeuralNetworks(object): '''''' def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4): '''搭建神经网络框架''' # 各层节点数目 (向量) self.n = np.array(n_layers) # 'n_layers必须为list类型，如：[3,4,2] 或 n_layers=[3,4,2]' self.size = self.n.size # 层的总数 # 层 (向量) self.z = np.empty(self.size, dtype=object) # 先占位(置空)，dtype=object ！如下皆然 self.a = np.empty(self.size, dtype=object) self.data_a = np.empty(self.size, dtype=object) # 偏置 (向量) self.b = np.empty(self.size, dtype=object) self.delta_b = np.empty(self.size, dtype=object) # 权 (矩阵) self.w = np.empty(self.size, dtype=object) self.delta_w = np.empty(self.size, dtype=object) # 填充 for i in range(self.size): self.a[i] = np.zeros(self.n[i]) # 全零 self.z[i] = np.zeros(self.n[i]) # 全零 self.data_a[i] = np.zeros(self.n[i]) # 全零 if i下面完整代码是我学习斯坦福机器学习教程，完全自己敲出来的：
import numpy as np'''参考：http://ufldl.stanford.edu/wiki/index.php/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C'''class NeuralNetworks(object): '''''' def __init__(self, n_layers=None, active_type=None, n_iter=10000, error=0.05, alpha=0.5, lamda=0.4): '''搭建神经网络框架''' self.n_iter = n_iter # 迭代次数 self.error = error # 允许最大误差 self.alpha = alpha # 学习速率 self.lamda = lamda # 衰减因子 # 此处故意拼写错误！ if n_layers is None: raise '各层的节点数目必须设置！' elif not isinstance(n_layers, list): raise 'n_layers必须为list类型，如：[3,4,2] 或 n_layers=[3,4,2]' # 节点数目 (向量) self.n = np.array(n_layers) self.size = self.n.size # 层的总数 # 层 (向量) self.a = np.empty(self.size, dtype=object) # 先占位(置空)，dtype=object ！如下皆然 self.z = np.empty(self.size, dtype=object) # 偏置 (向量) self.b = np.empty(self.size, dtype=object) self.delta_b = np.empty(self.size, dtype=object) # 权 (矩阵) self.w = np.empty(self.size, dtype=object) self.delta_w = np.empty(self.size, dtype=object) # 残差 (向量) self.data_a = np.empty(self.size, dtype=object) # 填充 for i in range(self.size): self.a[i] = np.zeros(self.n[i]) # 全零 self.z[i] = np.zeros(self.n[i]) # 全零 self.data_a[i] = np.zeros(self.n[i]) # 全零 if i 600: z[z.argmax()] = 600 return 1.0 / (1.0 + np.exp(-z)) def tanh(self, z): return (np.exp(z) - np.exp(-z)) / (np.exp(z) + np.exp(-z)) def radb(self, z): return np.exp(-z * z) def line(self, z): return z def sigmoid_d(self, z): return z * (1.0 - z) def tanh_d(self, z): return 1.0 - z * z def radb_d(self, z): return -2.0 * z * np.exp(-z * z) def line_d(self, z): return np.ones(z.size) # 全一 def forward(self, x): '''正向传播（在线）''' # 用样本 x 走一遍，刷新所有 z, a self.a[0] = x for i in range(self.size - 1): self.z[i+1] = np.dot(self.a[i], self.w[i]) + self.b[i] self.a[i+1] = self.active_functions[self.active_type[i]](self.z[i+1]) # 加了激活函数 def err(self, X, Y): '''误差''' last = self.size-1 err = 0.0 for x, y in zip(X, Y): self.forward(x) err += 0.5 * np.sum((self.a[last] - y)**2) err /= X.shape[0] err += sum([np.sum(w) for w in self.w[:last]**2]) return err def backward(self, y): '''反向传播（在线）''' last = self.size - 1 # 用样本 y 走一遍，刷新所有delta_w, delta_b self.data_a[last] = -(y - self.a[last]) * self.derivative_functions[self.active_type[last-1]](self.z[last]) # 加了激活函数的导函数 for i in range(last-1, 1, -1): self.data_a[i] = np.dot(self.w[i], self.data_a[i+1]) * self.derivative_functions[self.active_type[i-1]](self.z[i]) # 加了激活函数的导函数 # 计算偏导 p_w = np.outer(self.a[i], self.data_a[i+1]) # 外积！感谢 numpy 的强大！ p_b = self.data_a[i+1] # 更新 delta_w, delta_w self.delta_w[i] = self.delta_w[i] + p_w self.delta_b[i] = self.delta_b[i] + p_b def update(self, n_samples): '''更新权重参数''' last = self.size - 1 for i in range(last): self.w[i] -= self.alpha * ((1/n_samples) * self.delta_w[i] + self.lamda * self.w[i]) self.b[i] -= self.alpha * ((1/n_samples) * self.delta_b[i]) def fit(self, X, Y): '''拟合''' for i in range(self.n_iter): # 用所有样本，依次 for x, y in zip(X, Y): self.forward(x) # 前向，更新 a, z; self.backward(y) # 后向，更新 delta_w, delta_b # 然后，更新 w, b self.update(len(X)) # 计算误差 err = self.err(X, Y) if err登录后复制
以上就是Python中关于numpy灵活定义神经网络结构的实例的详细内容，更多请关注【创想鸟】其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至253000106@qq.com举报，一经查实，本站将立刻删除。
发布者：PHP中文网，转转请注明出处：https://www.chuangxiangniao.com/p/2266921.html
