BP神经网络对鸢尾花分类

傷城~ 2023-03-14 05:24 25阅读 0赞

import numpy as np
    import matplotlib.pyplot as plt
    
    def sigmoid(x):
        return 1/(1+np.exp(-x))
    def doit(num,w1,b1,w2,b2):#输入迭代次数
        number=num
        train_number=0
        totalE=[]
        totalN=[]
        while(number>0):
            number-=1
            train_number+=1
            E=0
            for index,i in enumerate(train_x):
                #对x中的每一个样本进行正`向传播
                #中间层的输入
                a1=np.dot(i,w1)#[1,4]
                #隐藏层的输出
                y1=sigmoid(a1+b1)#[1,4]
                #输出层的输入
                #print(w2)
                #print(y1)
                a2=np.dot(y1,w2)#[1,1]
                #输出层的输出
                y2=sigmoid(a2+b2)#[1,1]
                #print(y2)
                #反向传播
                g=np.multiply((train_y[0][index]-y2),np.multiply(y2,(1-y2)))#1*19
                #print(g)
                #更新输出层的权值w和偏置值b
                w2=w2+lr*np.dot(y1.T,g)
                b2=b2+lr*g
                #print("第"+str(index+1)+"个样本")
                #print("更新后的输出层权重w2",w2)
                #print("更新后的输出层b2",b2)
                #print("下面开始更新中间层权重w1和偏置值b1")
                w1=w1+lr*i.reshape(2,1)*np.multiply(np.multiply(y1,(1-y1)),np.dot(w2,g.T).T)
                b1=b1+lr*np.multiply(np.multiply(y1,(1-y1)),np.dot(w2,g.T).T)
                #print("更新后的输出层权重w1", w1)
                #print("更新后的输出层b1", b1)
                E+=(1/2.0*(y2[0][0]-train_y[0][index])**2)
            #print(E)
            totalE.append(E)
            totalN.append(train_number)
        print("训练完毕，输出权重和偏置值:")
        print("更新后的输出层权重w2",w2)
        print("更新后的输出层b2",b2)
        print("下面开始更新中间层权重w1和偏置值b1")
        print("更新后的输出层权重w1", w1)
        print("更新后的输出层b1", b1)
        
        #画图
        fig = plt.figure()
        # 将画图窗口分成1行1列，选择第一块区域作子图
        ax1 = fig.add_subplot(1, 1, 1)
        # 设置标题
        ax1.set_title('Result Analysis')
        # 设置横坐标名称
        ax1.set_xlabel('times')
        # 设置纵坐标名称
        ax1.set_ylabel('Error')
        # 画散点图
        ax1.scatter(totalN, totalE, s=20, c='#DC143C', marker='.')
        plt.show() 
        
        #预测
        output = []
        output1 = []
        for index,i in enumerate(test_x):
            #对x中的每一个样本进行正`向传播
            #中间层的输入
            a1=np.dot(i,w1)#[1,4]
            #隐藏层的输出
            y1=sigmoid(a1+b1)#[1,4]
            #输出层的输入
            #print(w2)
            #print(y1)
            a2=np.dot(y1,w2)#[1,1]
            #输出层的输出
            y2=sigmoid(a2+b2)#[1,1]
            #print(y2)
            if y2[0][0]>0.5:
                output.append(1)
            else:
                output.append(0)
        print("预测值:",output)
        trueOutPut=test_y.tolist()
        print("真实值:",trueOutPut[0])
        successNumber=0
        for index,i in enumerate(trueOutPut[0]):
            if output[index]==trueOutPut[0][index]:
                successNumber+=1
        print("成功率:",successNumber/test_y.shape[1])
            
            
        
    if __name__=='__main__':
        train_data=np.loadtxt("train.txt",delimiter=',')
        test_data=np.loadtxt("test.txt",delimiter=',')
        train_x=train_data[:,:2]
        train_y=train_data[:,2:].reshape(1,-1)
        test_x=test_data[:,:2]
        test_y=test_data[:,2:].reshape(1,-1)
        w1=np.random.rand(2,4)#第一层四个神经元，2个特征
        b1=np.random.rand(1,4)
    
        w2=np.random.rand(4,1)#输出层有一个神经元，上一层每个神经元生成一个特征，共四个特征
        b2=np.random.rand(1,1)
    
        lr=0.5#学习率
        doit(1000,w1,b1,w2,b2)