推荐：手把手教你用Python创建简单的神经网络（附代码）_简单的神经网络代码下面是这个神经网络示例的训练过程：第一

下面是这个神经网络示例的训练过程：

第一步：从训练数据集中提取输入，根据训练数据集的权重进行调整，并通过一种计算神经网络输出的方法对其进行筛选。

第二步：计算反向传播错误率。在这种情况下，它是神经元的预测输出与训练数据集的期望输出之间的差异。

第三步：利用误差加权导数公式，根据所得到的误差范围，进行了一些较小的权值调整。

第四步：对这一过程进行15000次迭代。在每次迭代中，整个训练集被同时处理。

我们使用“.T”函数将矩阵从水平位置转换为垂直位置。因此，数字将以如下方式存储：
在这里插入图片描述

最终，神经元的权重将根据所提供的训练数据进行优化。随后，如果让神经元考虑一个新的状态，与先前的状态相同，它便可以作出一个准确的预测。这就是反向传播的方式。

打包运行

最后，NeuralNetwork类初始化成功后，可以运行代码了。

下面是如何在Python项目中创建神经网络的完整代码：

import numpy as np

 

class NeuralNetwork():

    

    def \_\_init\_\_(self):

        # seeding for random number generation

        np.random.seed(1)

        

        #converting weights to a 3 by 1 matrix with values from -1 to 1 and mean of 0

        self.synaptic_weights = 2 \* np.random.random((3, 1)) - 1

 

    def sigmoid(self, x):

        #applying the sigmoid function

        return 1 / (1 + np.exp(-x))

 

    def sigmoid\_derivative(self, x):

        #computing derivative to the Sigmoid function

        return x \* (1 - x)

 

    def train(self, training_inputs, training_outputs, training_iterations):

        

        #training the model to make accurate predictions while adjusting weights continually

        for iteration in range(training_iterations):

            #siphon the training data via the neuron

            output = self.think(training_inputs)

 

            #computing error rate for back-propagation

            error = training_outputs - output

            

            #performing weight adjustments

            adjustments = np.dot(training_inputs.T, error \* self.sigmoid\_derivative(output))

 

            self.synaptic_weights += adjustments

 

    def think(self, inputs):

        #passing the inputs via the neuron to get output 

        #converting values to floats

        

        inputs = inputs.astype(float)

        output = self.sigmoid(np.dot(inputs, self.synaptic_weights))

        return output

 

 

if __name__ == "\_\_main\_\_":

 

    #initializing the neuron class

    neural_network = NeuralNetwork()

 

    print("Beginning Randomly Generated Weights: ")

    print(neural_network.synaptic_weights)

 

    #training data consisting of 4 examples--3 input values and 1 output

    training_inputs = np.array([[0,0,1],

                                [1,1,1],

                                [1,0,1],

                                [0,1,1]])

 

    training_outputs = np.array([[0,1,1,0]]).T

 

    #training taking place

    neural_network.train(training_inputs, training_outputs, 15000)

 

    print("Ending Weights After Training: ")

    print(neural_network.synaptic_weights)

 

    user_input_one = str(input("User Input One: "))

    user_input_two = str(input("User Input Two: "))

    user_input_three = str(input("User Input Three: "))

    

    print("Considering New Situation: ", user_input_one, user_input_two, user_input_three)

    print("New Output data: ")

    print(neural_network.think(np.array([user_input_one, user_input_two, user_input_three])))

print("Wow, we did it!")