资源简介
python实现BP神经网络的源代码，以及使用的马疝病数据集，基于BP神经网络的IRIS数据集训练和测试，有完整的数据集和实现代码，直接运行即可得到结果，并显示，正确率，误差，迭代次数等参数
代码片段和文件信息
import numpy as np
def loaddataset（filename）:
fp = open（filename）
#存放数据
dataset = []
#存放标签
labelset = []
for i in fp.readlines（）:
a = i.strip（）.split（）
#每个数据行的最后一个是标签
dataset.append（[float（j） for j in a[:len（a）-1]]）
labelset.append（int（float（a[-1]）））
return dataset labelset
#x为输入层神经元个数，y为隐层神经元个数，z输出层神经元个数
def parameter_initialization（x y z）:
#隐层阈值
value1 = np.random.randint（-5 5 （1 y））.astype（np.float64）
#输出层阈值
value2 = np.random.randint（-5 5 （1 z））.astype（np.float64）
#输入层与隐层的连接权重
weight1 = np.random.randint（-5 5 （x y））.astype（np.float64）
#隐层与输出层的连接权重
weight2 = np.random.randint（-5 5 （y z））.astype（np.float64）
return weight1 weight2 value1 value2
def sigmoid（z）:
return 1 / （1 + np.exp（-z））
‘‘‘
weight1:输入层与隐层的连接权重
weight2:隐层与输出层的连接权重
value1:隐层阈值
value2:输出层阈值
‘‘‘
def trainning（dataset labelset weight1 weight2 value1 value2）:
#x为步长
x = 0.01
for i in range（len（dataset））:
#输入数据
inputset = np.mat（dataset[i]）.astype（np.float64）
#数据标签
outputset = np.mat（labelset[i]）.astype（np.float64）
#隐层输入
input1 = np.dot（inputset weight1）.astype（np.float64）
#隐层输出
output2 = sigmoid（input1 - value1）.astype（np.float64）
#输出层输入
input2 = np.dot（output2 weight2）.astype（np.float64）
#输出层输出
output3 = sigmoid（input2 - value2）.astype（np.float64）
#更新公式由矩阵运算表示
a = np.multiply（output3 1 - output3）
g = np.multiply（a outputset - output3）
b = np.dot（g np.transpose（weight2））
c = np.multiply（output2 1 - output2）
e = np.multiply（b c）
value1_change = -x * e
value2_change = -x * g
weight1_change = x * np.dot（np.transpose（inputset） e）
weight2_change = x * np.dot（np.transpose（output2） g）
#更新参数
value1 += value1_change
value2 += value2_change
weight1 += weight1_change
weight2 += weight2_change
return weight1 weight2 value1 value2
def testing（dataset labelset weight1 weight2 value1 value2）:
#记录预测正确的个数
rightcount = 0
for i in range（len（dataset））:
#计算每一个样例通过该神经网路后的预测值
inputset = np.mat（dataset[i]）.astype（np.float64）
outputset = np.mat（labelset[i]）.astype（np.float64）
output2 = sigmoid（np.dot（inputset weight1） - value1）
output3 = sigmoid（np.dot（output2 weight2） - value2）
#确定其预测标签
if output3 > 0.5:
flag = 1
else:
flag = 0
if labelset[i] == flag:
rightcount += 1
#输出预测结果
print（“预测为%d 实际为%d“%（flag labelset[i]））
#返回正确率
return rightcount / len（dataset）
if __name__ == ‘__main__‘:
dataset labelset = loaddataset（‘horseColicTraining.txt‘）
weight1 weight2 value1 value2 = parameter_initialization（len（dataset[0]） len（dataset[0]） 1）
for i in range（1500）:
weight1 weight2 value1 value2 = trainning（dataset labelset weight1 weight2 value1 value2）
rate = testing（dataset labelset weight1 weight2 value1 value2）
print（“正确率为%f“%（rate））属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2019-12-29 19:40 BP绁炵粡缃戠粶\
文件 3722 2019-05-30 20:41 BP绁炵粡缃戠粶\horseColicTest.txt
目录 0 2019-12-29 19:40 __MACOSX\
目录 0 2019-12-29 19:40 __MACOSX\BP绁炵粡缃戠粶\
文件 176 2019-05-30 20:41 __MACOSX\BP绁炵粡缃戠粶\._horseColicTest.txt
文件 60357 2019-05-30 20:41 BP绁炵粡缃戠粶\horseColicTraining.txt
文件 176 2019-05-30 20:41 __MACOSX\BP绁炵粡缃戠粶\._horseColicTraining.txt
文件 3342 2019-06-08 15:35 BP绁炵粡缃戠粶\network.py
文件 176 2019-06-08 15:35 __MACOSX\BP绁炵粡缃戠粶\._network.py
文件 176 2019-12-29 19:40 __MACOSX\._BP绁炵粡缃戠粶
评论
共有 条评论