手把手教你用Python创建简单的神经网络（附代码）("Python入门教程：手把手带你构建简易神经网络（附完整代码）")

原创

ithorizon 4周前 (10-19) 阅读数 16 #后端开发

Python入门教程：手把手带你构建简易神经网络（附完整代码）

一、引言

神经网络是一种模拟人脑神经元结构的计算模型，广泛应用于机器学习和人工智能领域。Python作为一种易于学习且功能强劲的编程语言，为构建神经网络提供了充裕的库和工具。本文将手把手教你使用Python创建一个单纯的神经网络，并附上完整的代码。

二、准备工作

在起始构建神经网络之前，我们需要安装以下Python库：

numpy：用于数值计算

matplotlib：用于绘制图表

可以使用以下命令安装这些库：

pip install numpy matplotlib

三、构建神经网络的基本结构

神经网络由输入层、隐藏层和输出层组成。每个神经元与相邻的神经元通过权重连接。下面我们将构建一个单纯的神经网络，包括一个输入层、一个隐藏层和一个输出层。

四、代码实现

下面是构建简易神经网络的完整代码：


import numpy as np
import matplotlib.pyplot as plt
# 设置随机种子
np.random.seed(0)
# 定义激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))
# 定义Sigmoid函数的导数
def sigmoid_derivative(x):
    return x * (1 - x)
# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重
        self.weights_input_to_hidden = np.random.rand(input_size, hidden_size)
        self.weights_hidden_to_output = np.random.rand(hidden_size, output_size)
    def forward(self, inputs):
        # 输入层到隐藏层的线性变换
        hidden_layer_activation = np.dot(inputs, self.weights_input_to_hidden)
        # 应用激活函数
        hidden_layer_output = sigmoid(hidden_layer_activation)
        
        # 隐藏层到输出层的线性变换
        final_output = np.dot(hidden_layer_output, self.weights_hidden_to_output)
        # 应用激活函数
        output = sigmoid(final_output)
        return output
    def backward(self, output, y_true):
        # 计算输出误差
        output_error = y_true - output
        # 计算输出误差的梯度
        output_delta = output_error * sigmoid_derivative(output)
        
        # 计算隐藏层误差
        hidden_error = output_delta.dot(self.weights_hidden_to_output.T)
        # 计算隐藏层误差的梯度
        hidden_delta = hidden_error * sigmoid_derivative(hidden_layer_output)
        # 更新权重
        self.weights_hidden_to_output += hidden_layer_output.T.dot(output_delta)
        self.weights_input_to_hidden += inputs.T.dot(hidden_delta)
    def train(self, training_inputs, training_outputs, epochs):
        for epoch in range(epochs):
            for inputs, output in zip(training_inputs, training_outputs):
                self.forward(inputs)
                self.backward(self.forward(inputs), output)
# 创建神经网络实例
nn = NeuralNetwork(2, 3, 1)
# 训练数据
training_inputs = np.array([[0, 0],
                            [0, 1],
                            [1, 0],
                            [1, 1]])
training_outputs = np.array([[0],
                            [1],
                            [1],
                            [0]])
# 训练神经网络
nn.train(training_inputs, training_outputs, 10000)
# 测试神经网络
print("预测因此：")
print(nn.forward(training_inputs))