python实现BP算法

蔚落 2022-09-14 11:20 296阅读 0赞

误差逆传播算法，又称BP算法，被誉为神经网络中最好的算法，其广泛应用在多层网络中。  
在这之前，我们先来理解几个概念

## M-P神经元模型 ##

所谓M-P模型,其实是按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的模型。  
对于第 j 个神经元，接受多个其它神经元的输入信号xi 。各突触强度以实系数w表示，这是第i个神经元对第 j 个神经元作用的加权值。

![在这里插入图片描述][771ffa9933a8413085662eb01f1aba58.png]

## 多层神经网络结构 ##

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b2t56WlLg_size_18_color_FFFFFF_t_70_g_se_x_16]

## 学习率 ##

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b2t56WlLg_size_20_color_FFFFFF_t_70_g_se_x_16]

import pandas as pd
    import numpy as np
    def sigmoid(x):
        return 1/(1+np.exp(-x))
    
    
    def BP(x_train, y_train, numb, inta):  # x_train,y_train表示训练集，numb表示隐层神经元的个数，inta表示学习率
    	# print('x_train:',x_train)
    	# print('y_train:',y_train)
    	v = np.matrix(np.random.rand(len(x_train.T), numb))  # 随机生成输入层神经元与隐层神经元之间的连接权
    	# print('v:',v)
    	w = np.matrix(np.random.rand(numb, len(y_train.T)))  # 随机生成隐层神经元与输出层神经元之间的连接权
    	# print('w:',w)
    	thita = np.matrix(np.random.rand(len(y_train.T)))  # 输出神经元的阈值
    	# print("thita:",thita)
    	garma = np.matrix(np.random.rand(numb))  # 输出神经元的阈值
    	# print("garma:",garma)
    	temp = 0
    	for i in range(len(x_train)):
    		alpha = x_train[i].dot(v)  # 隐层神经元的输入
    		# print('alpha',alpha)
    		b = sigmoid(alpha)  # 隐层神经元的输出
    		# print('b',b)
    		beta = b.dot(w)  # 输出神经元的输入
    		# print('beta',beta)
    		y_estimate = sigmoid(beta - thita)  # 求出y的估计值
    		# print('y_estimate',y_estimate)
    		g = y_estimate.dot((1 - y_estimate).T).dot(y_train[i] - y_estimate)  # 输出层神经元的梯度
    		# print('g',g)
    		e = b.dot((1 - b).T).dot(g).dot(w.T)  # 隐层神经元的梯度
    		# print('e',e)
    		E = 1 / 2 * (y_estimate - y_train[i]).dot((y_estimate - y_train[i]).T)  # 均方误差
    		# print('E',E)
    		if E > temp:  # 更新连接权和阈值
    			w = w + inta * (b.T).dot(g)
    			# print('w',w)
    			thita = thita - inta * g
    			# print('thita',thita)
    			v = v + inta * (x_train[i].T).dot(e)
    			# print('v',v)
    			garma = garma - inta * e  # 隐层神经元的阈值
    			# print('garma',garma)
    			temp = E
    
    	return w, v, thita, garma
    
    x=np.matrix(np.random.rand(3,4)) #输入层：随机生成3个样本，每个样本有4个神经元
    y=np.matrix(np.random.rand(3,2)) #输出层：随机生成3个样本，每个样本有2个神经元
    print('x',x)
    print('y',y)
    
    
    w,v,thita,garma=BP(x,y,4,0.01)#这里我假设隐层有4个神经元，学习率为0.01
    print('w',w)
    print('v',v)
    print('thita',thita)
    print('garma',garma)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b2t56WlLg_size_20_color_FFFFFF_t_70_g_se_x_16 1]

[771ffa9933a8413085662eb01f1aba58.png]: /images/20220828/96bcfecfa374484d823e914a665d878f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b2t56WlLg_size_18_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/4530a791ec174914b828bede6cb269de.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b2t56WlLg_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/ce96528fdfac44818df0ca5d4c0e70f7.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b2t56WlLg_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/0f639bd87c124b7a8d98b51b45993367.png