神经网络(BP)算法Python实现及应用

时间:2021-10-29 20:41:35

本文实例为大家分享了python实现神经网络算法及应用的具体代码,供大家参考,具体内容如下

首先用python实现简单地神经网络算法:

?
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
import numpy as np
 
 
# 定义tanh函数
def tanh(x):
  return np.tanh(x)
 
 
# tanh函数的导数
def tan_deriv(x):
  return 1.0 - np.tanh(x) * np.tan(x)
 
 
# sigmoid函数
def logistic(x):
  return 1 / (1 + np.exp(-x))
 
 
# sigmoid函数的导数
def logistic_derivative(x):
  return logistic(x) * (1 - logistic(x))
 
 
class neuralnetwork:
  def __init__(self, layers, activation='tanh'):
    """
    神经网络算法构造函数
    :param layers: 神经元层数
    :param activation: 使用的函数(默认tanh函数)
    :return:none
    """
    if activation == 'logistic':
      self.activation = logistic
      self.activation_deriv = logistic_derivative
    elif activation == 'tanh':
      self.activation = tanh
      self.activation_deriv = tan_deriv
 
    # 权重列表
    self.weights = []
    # 初始化权重(随机)
    for i in range(1, len(layers) - 1):
      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)
 
  def fit(self, x, y, learning_rate=0.2, epochs=10000):
    """
    训练神经网络
    :param x: 数据集(通常是二维)
    :param y: 分类标记
    :param learning_rate: 学习率(默认0.2)
    :param epochs: 训练次数(最大循环次数,默认10000)
    :return: none
    """
    # 确保数据集是二维的
    x = np.atleast_2d(x)
 
    temp = np.ones([x.shape[0], x.shape[1] + 1])
    temp[:, 0: -1] = x
    x = temp
    y = np.array(y)
 
    for k in range(epochs):
      # 随机抽取x的一行
      i = np.random.randint(x.shape[0])
      # 用随机抽取的这一组数据对神经网络更新
      a = [x[i]]
      # 正向更新
      for l in range(len(self.weights)):
        a.append(self.activation(np.dot(a[l], self.weights[l])))
      error = y[i] - a[-1]
      deltas = [error * self.activation_deriv(a[-1])]
 
      # 反向更新
      for l in range(len(a) - 2, 0, -1):
        deltas.append(deltas[-1].dot(self.weights[l].t) * self.activation_deriv(a[l]))
        deltas.reverse()
      for i in range(len(self.weights)):
        layer = np.atleast_2d(a[i])
        delta = np.atleast_2d(deltas[i])
        self.weights[i] += learning_rate * layer.t.dot(delta)
 
  def predict(self, x):
    x = np.array(x)
    temp = np.ones(x.shape[0] + 1)
    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

使用自己定义的神经网络算法实现一些简单的功能:

 小案例:

x:                  y
0 0                 0
0 1                 1
1 0                 1
1 1                 0

?
1
2
3
4
5
6
7
8
9
10
from nn.neuralnetwork import neuralnetwork
import numpy as np
 
nn = neuralnetwork([2, 2, 1], 'tanh')
temp = [[0, 0], [0, 1], [1, 0], [1, 1]]
x = np.array(temp)
y = np.array([0, 1, 1, 0])
nn.fit(x, y)
for i in temp:
  print(i, nn.predict(i))

神经网络(BP)算法Python实现及应用

发现结果基本机制,无限接近0或者无限接近1 

第二个例子:识别图片中的数字

导入数据:

?
1
2
3
4
5
6
7
8
from sklearn.datasets import load_digits
import pylab as pl
 
digits = load_digits()
print(digits.data.shape)
pl.gray()
pl.matshow(digits.images[0])
pl.show()

观察下:大小:(1797, 64)

数字0

神经网络(BP)算法Python实现及应用

接下来的代码是识别它们:

?
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
import numpy as np
from sklearn.datasets import load_digits
from sklearn.metrics import confusion_matrix, classification_report
from sklearn.preprocessing import labelbinarizer
from nn.neuralnetwork import neuralnetwork
from sklearn.cross_validation import train_test_split
 
# 加载数据集
digits = load_digits()
x = digits.data
y = digits.target
# 处理数据,使得数据处于0,1之间,满足神经网络算法的要求
x -= x.min()
x /= x.max()
 
# 层数:
# 输出层10个数字
# 输入层64因为图片是8*8的,64像素
# 隐藏层假设100
nn = neuralnetwork([64, 100, 10], 'logistic')
# 分隔训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y)
 
# 转化成sklearn需要的二维数据类型
labels_train = labelbinarizer().fit_transform(y_train)
labels_test = labelbinarizer().fit_transform(y_test)
print("start fitting")
# 训练3000次
nn.fit(x_train, labels_train, epochs=3000)
predictions = []
for i in range(x_test.shape[0]):
  o = nn.predict(x_test[i])
  # np.argmax:第几个数对应最大概率值
  predictions.append(np.argmax(o))
 
# 打印预测相关信息
print(confusion_matrix(y_test, predictions))
print(classification_report(y_test, predictions))

结果:

矩阵对角线代表预测正确的数量,发现正确率很多

神经网络(BP)算法Python实现及应用

 

这张表更直观地显示出预测正确率:

共450个案例,成功率94%

神经网络(BP)算法Python实现及应用

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:http://www.cnblogs.com/xuyiqing/p/8797048.html