numpy实现BP神经网络

手写函数构建神经网络结构和模拟神经网络向前向后传播和迭代过程
def sigmoid(z):
    return 1.0/(1 np.exp(-z))
def bp(w,b,l):
    # 1.向前传播计算预测值和误差
    h1=sigmoid(w[1]*l[1] w[2]*l[2] b[1])
    h2=sigmoid(w[3]*l[1] w[4]*l[2] b[1])
    h3=sigmoid(w[5]*l[1] w[6]*l[2] b[1])
    o1=sigmoid(w[7]*h1 w[9]*h2 w[11]*h3 b[2])
    o2=sigmoid(w[8]*h1 w[10]*h2 w[12]*h3 b[2])
    e=np.square(o1-0.01)/2 np.square(o2-0.99)/2
    
    
    #2.向后传播误差，跟新权值、偏置
    #t1=-(target-outo1)*outo1*(1-outo1)
    t1=-(0.01-o1)*o1*(1-o1)
    #t2=-(target-outo2)*outo2*(1-outo2)
    t2=-(0.99-o2)*o2*(1-o2)
    
    w[7]=w[7]-0.25*(t1*h1)
    w[9]=w[9]-0.25*(t1*h2)
    w[11]=w[11]-0.25*(t1*h3)
    w[8]=w[8]-0.25*(t2*h1)
    w[10]=w[10]-0.25*(t2*h2)
    w[12]=w[12]-0.25*(t2*h3)
    
    w[1]=w[1]-0.25*(t1*w[7] t2*w[8])*h1*(1-h1)*l[1]
    w[2]=w[2]-0.25*(t1*w[7] t2*w[8])*h1*(1-h1)*l[2]
    w[3]=w[3]-0.25*(t1*w[9] t2*w[10])*h2*(1-h2)*l[1]
    w[4]=w[4]-0.25*(t1*w[9] t2*w[10])*h2*(1-h2)*l[2]
    w[5]=w[5]-0.25*(t1*w[11] t2*w[12])*h3*(1-h3)*l[1]
    w[6]=w[6]-0.25*(t1*w[11] t2*w[12])*h3*(1-h3)*l[2]
    return o1,o2,w,e

#!/usr/bin/env python
# coding: utf-8

# In[1]:


import numpy as np
w=[00.10.150.20.250.30.350.40.450.50.550.60.65]
b=[00.350.65]
l=[0510]

def sigmoid（z）:
    return 1.0/（1+np.exp（-z））

def bp（wbl）:
    # 1.向前传播计算预测值和误差
    h1=sigmoid（w[1]*l[1]+w[2]*l[2]+b[1]）
    h2=sigmoid（w[3]*l[1]+w[4]*l[2]+b[1]）
    h3=sigmoid（w[5]*l[1]+w[6]*l[2]+b[1]）
    
    
    o1=sigmoid（w[7]*h1+w[9]*h2+w[11]*h3+b[2]）
    o2=sigmoid（w[8]*h1+w[10]*h2+w[12]*h3+b[2]）
    
    e=np.square（o1-0.01）/2+np.square（o2-0.99）/2
    
    
    #2.向后传播误差，跟新权值、偏置
    #t1=-（target-outo1）*outo1*（1-outo1）
    t1=-（0.01-o1）*o1*（1-o1）
    #t2=-（target-outo2）*outo2*（1-outo2）