神经网络理论基础及Python实现

self.activation = tanh

self.activation_deriv = tanh_deriv

self.weights = []

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)

实现算法

def fit(self, X, y, learning_rate=0.2, epochs=10000): 
 
        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): 
 
            i = np.random.randint(X.shape[0]) 
 
            a = [X[i]] 
 
  
 
            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])] 
 
  
 
            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() 
 	
			 3/4   首页 上一页 1 2 3 4 下一页 尾页	
			

　　推荐阅读
　　开发者自述：我是这样理解强化学习的
            【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！

            定义强化进修是机械进修的一个重要分支，是多学科多范畴交叉的一个产品，它的本质是解决 decision making>>>详细阅读


本文标题：神经网络理论基础及Python实现
地址：http://www.17bianji.com/lsqh/36265.html
 1/2    1