自作のニューラルネットワーク

NPとしてnumpyのインポート

デフシグモイド（X）：
1.0 /戻る（1+ np.expを（-x））

デフ（x）はsigmoid_derivative：
リターンのx *（1.0 - X）

クラスニューラルネットワーク：
DEF INIT（自己、X、Y）：
self.input = X
self.weights1 = np.random.rand（self.input.shape [1]、4）
self.weights2 = np.random.rand（4 、1）
self.y = Yの
self.output = np.zeros（self.y.shape）

def feedforward(self):
    self.layer1 = sigmoid(np.dot(self.input, self.weights1))
    self.output = sigmoid(np.dot(self.layer1, self.weights2))

def backprop(self):
    # application of the chain rule to find derivative of the loss function with respect to weights2 and weights1
    d_weights2 = np.dot(self.layer1.T, (2*(self.y - self.output) * sigmoid_derivative(self.output)))
    d_weights1 = np.dot(self.input.T,  (np.dot(2*(self.y - self.output) * sigmoid_derivative(self.output), self.weights2.T) * sigmoid_derivative(self.layer1)))

    # update the weights with the derivative (slope) of the loss function
    self.weights1 += d_weights1
    self.weights2 += d_weights2

もし名前 == " 主 "：
X = np.array（[0,0,1]、
[0,1,1]、
[1,0,1]、
[1,1,1]]）
Y = np.array（[[0]、[1]、[1]、[0]]）NN
=ニューラルネットワーク（X、Y）

for i in range(1500):
    nn.feedforward()
    nn.backprop()

print(nn.output)