首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

使用sigmoid激活的python中从头开始的神经网络

从头开始构建神经网络是指使用基本的数学运算和编程语言来实现神经网络的各个组件,而不依赖于现有的深度学习框架。在Python中,我们可以使用sigmoid激活函数来构建一个简单的神经网络。

首先,我们需要导入所需的库:

代码语言:python
代码运行次数:0
复制
import numpy as np

接下来,我们定义一个sigmoid函数,它将输入的值映射到0和1之间:

代码语言:python
代码运行次数:0
复制
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

然后,我们定义一个神经网络类,其中包含初始化函数、前向传播函数和反向传播函数:

代码语言:python
代码运行次数:0
复制
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重和偏置
        self.W1 = np.random.randn(self.input_size, self.hidden_size)
        self.b1 = np.zeros((1, self.hidden_size))
        self.W2 = np.random.randn(self.hidden_size, self.output_size)
        self.b2 = np.zeros((1, self.output_size))
        
    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = sigmoid(self.z2)
        return self.a2
    
    def backward(self, X, y, learning_rate):
        # 反向传播
        m = X.shape[0]
        
        # 计算输出层的误差
        self.delta2 = self.a2 - y
        
        # 计算隐藏层的误差
        self.delta1 = np.dot(self.delta2, self.W2.T) * (self.a1 * (1 - self.a1))
        
        # 更新权重和偏置
        self.W2 -= learning_rate * np.dot(self.a1.T, self.delta2) / m
        self.b2 -= learning_rate * np.sum(self.delta2, axis=0, keepdims=True) / m
        self.W1 -= learning_rate * np.dot(X.T, self.delta1) / m
        self.b1 -= learning_rate * np.sum(self.delta1, axis=0, keepdims=True) / m

最后,我们可以使用这个神经网络来训练和预测数据:

代码语言:python
代码运行次数:0
复制
# 创建神经网络对象
nn = NeuralNetwork(input_size=2, hidden_size=3, output_size=1)

# 定义输入和标签数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# 训练神经网络
for i in range(10000):
    nn.forward(X)
    nn.backward(X, y, learning_rate=0.1)

# 预测新数据
new_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
predictions = nn.forward(new_data)
print(predictions)

这是一个简单的使用sigmoid激活函数的神经网络示例。在实际应用中,我们可以根据具体的问题和数据集来调整网络的结构和参数,以获得更好的性能。

关于腾讯云相关产品和产品介绍链接地址,可以参考腾讯云官方文档或咨询腾讯云客服获取更详细的信息。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

21分23秒

Python安全-Python爬虫中requests库的基本使用(10)

2分26秒

Python 3.6.10 中的 requests 库 TLS 1.2 强制使用问题

1时18分

《藏在“数据”中的秘密》 以数据激活用户,以数据助力升级

1分53秒

在Python 3.2中使用OAuth导入失败的问题与解决方案

9分34秒

使用python处理视频的库opencv

6分6秒

使用python进行公历和农历的转换

5分1秒

使用python写restful接口的fastapi库

8分1秒

使用python实现的多线程文本搜索

1分24秒

Python中urllib和urllib2库的用法

5分19秒

使用python查询ip对应的经纬度

4分47秒

Flink 实践教程-入门(10):Python作业的使用

4分47秒

Flink 实践教程:入门(10):Python 作业的使用

领券