1 #神经网络至少有三个函数
2 #1. 初始化函数 ————设定输入节点、隐藏层节点、输出层节点的数量
3 #2. 训练 ————学习给定训练集样本后，优化权重
4 #3. 查询 ————给定输入，从输出节点给出答案
5
6 #神经网络类的定义
7 import numpy
8 import scipy.special
9
10 __all__ = ["NeuralNetwork"]
11
12 class Neural_network(object):
13
14 # 初始化神经网络
15 def __init__(self, input_nodes, hidden_nodes, output_nodes, learning_rate):
16 #设置输入节点、隐藏节点、输出节点的个数
17 self.inodes = input_nodes
18 self.hnodes = hidden_nodes
19 self.onodes = output_nodes
20 #设置初始权重(参数：中心值，标准方差，矩阵大小)
21 self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
22 self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))
23 #设置学习率
24 self.lr = learning_rate
25
26 #设置sigmoid(x)为激活函数
27 self.activation_function = lambda x: scipy.special.expit(x)
28
29 #训练
30 def train(self, input_list, targets_list):
31 #转化输入列表为数组
32 inputs = numpy.array(input_list, ndmin=2).T
33 #转化真值列表为数组
34 targets = numpy.array(targets_list, ndmin=2).T
35 #计算隐藏层输入
36 hidden_inputs = numpy.dot(self.wih, inputs)
37 #计算隐藏层输出
38 hidden_outputs = self.activation_function(hidden_inputs)
39 #计算输出层输入
40 final_inputs = numpy.dot(self.who, hidden_outputs)
41 #计算输出最终结果
42 final_outputs = self.activation_function(final_inputs)
43 #计算误差
44 output_errors = targets - final_outputs
45 #计算隐藏层误差数组
46 hidden_errors = numpy.dot(self.who.T, output_errors)
47 #更新权重--隐藏层、输出层
48 self.who += self.lr * numpy.dot((output_errors * final_outputs * (1 - final_outputs)), numpy.transpose(hidden_outputs))
49 #更新权重--输入层、隐藏层
50 self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1 - hidden_outputs)), numpy.transpose(inputs) )
51 #查询
52 def query(self, input_list):
53 #设置输入列表
54 inputs = numpy.array(input_list, ndmin=2).T
55 #计算隐藏层输入
56 hidden_inputs = numpy.dot(self.wih, inputs)
57 #计算隐藏层输出
58 hidden_outputs = self.activation_function(hidden_inputs)
59 #计算输出层输入
60 final_inputs = numpy.dot(self.who, hidden_outputs)
61 #计算输出最终结果
62 final_outputs = self.activation_function(final_inputs)
63 return final_outputs
