import numpy as np
import matplotlib.pyplot as plt
#选定随机数种子 使实验效果可复现
np.random.seed(1)
#非线性方程 用作激活函数
def relu(X,derive=False):
if not derive:
return np.maximum(0,X)
return (X>0).astype(float) #relu的导数
nonline=relu
#输入
X=np.array([[0,0,1],
[0,1,1],
[1,0,1],
[1,1,1]])
#输出
y=np.array([[0],
[1],
[1],
[0]])
#权重和偏移
W1=2*np.random.random((3,4))-1
b1=0.1*np.ones((4,))
W2=2*np.random.random((4,1))-1
b2=0.1*np.ones((1,))
e=[]
#学习率
rate=0.01
train_times=2000
for time in range(train_times):
#第一层
A1=np.dot(X,W1)+b1
Z1=nonline(A1)
#第二层
A2=np.dot(Z1,W2)+b2
Z2=nonline(A2)
_y=Z2
#损失函数
cost=_y-y #(y-_y)**2/2
e.append(np.mean(np.abs(cost)))
#求delta ★★★★★ 推导过程是算法关键
delta_A2=cost*nonline(Z2,derive=True)
delta_b2=delta_A2.sum(axis=0)
delta_W2=np.dot(Z1.T,delta_A2)
delta_A1=np.dot(delta_A2,W2.T)*nonline(Z1,derive=True)
delta_b1=delta_A1.sum(axis=0)
delta_W1=np.dot(X.T,delta_A1)
W1-=rate*delta_W1
b1-=rate*delta_b1
W2-=rate*delta_W2
b2-=rate*delta_b2
print("prediction: ")
print(_y)
ReLU激活函数训练神经网络示例
猜你喜欢
转载自blog.csdn.net/MAILLIBIN/article/details/88203401
今日推荐
周排行