BP神经网络对鸢尾花分类

import numpy as np
import matplotlib.pyplot as plt

def sigmoid(x):
    return 1/(1+np.exp(-x))
def doit(num,w1,b1,w2,b2):#输入迭代次数
    number=num
    train_number=0
    totalE=[]
    totalN=[]
    while(number>0):
        number-=1
        train_number+=1
        E=0
        for index,i in enumerate(train_x):
            #对x中的每一个样本进行正`向传播
            #中间层的输入
            a1=np.dot(i,w1)#[1,4]
            #隐藏层的输出
            y1=sigmoid(a1+b1)#[1,4]
            #输出层的输入
            #print(w2)
            #print(y1)
            a2=np.dot(y1,w2)#[1,1]
            #输出层的输出
            y2=sigmoid(a2+b2)#[1,1]
            #print(y2)
            #反向传播
            g=np.multiply((train_y[0][index]-y2),np.multiply(y2,(1-y2)))#1*19
            #print(g)
            #更新输出层的权值w和偏置值b
            w2=w2+lr*np.dot(y1.T,g)
            b2=b2+lr*g
            #print("第"+str(index+1)+"个样本")
            #print("更新后的输出层权重w2",w2)
            #print("更新后的输出层b2",b2)
            #print("下面开始更新中间层权重w1和偏置值b1")
            w1=w1+lr*i.reshape(2,1)*np.multiply(np.multiply(y1,(1-y1)),np.dot(w2,g.T).T)
            b1=b1+lr*np.multiply(np.multiply(y1,(1-y1)),np.dot(w2,g.T).T)
            #print("更新后的输出层权重w1", w1)
            #print("更新后的输出层b1", b1)
            E+=(1/2.0*(y2[0][0]-train_y[0][index])**2)
        #print(E)
        totalE.append(E)
        totalN.append(train_number)
    print("训练完毕，输出权重和偏置值:")
    print("更新后的输出层权重w2",w2)
    print("更新后的输出层b2",b2)
    print("下面开始更新中间层权重w1和偏置值b1")
    print("更新后的输出层权重w1", w1)
    print("更新后的输出层b1", b1)
    
    #画图
    fig = plt.figure()
    # 将画图窗口分成1行1列，选择第一块区域作子图
    ax1 = fig.add_subplot(1, 1, 1)
    # 设置标题
    ax1.set_title('Result Analysis')
    # 设置横坐标名称
    ax1.set_xlabel('times')
    # 设置纵坐标名称
    ax1.set_ylabel('Error')
    # 画散点图
    ax1.scatter(totalN, totalE, s=20, c='#DC143C', marker='.')
    plt.show() 
    
    #预测
    output = []
    output1 = []
    for index,i in enumerate(test_x):
        #对x中的每一个样本进行正`向传播
        #中间层的输入
        a1=np.dot(i,w1)#[1,4]
        #隐藏层的输出
        y1=sigmoid(a1+b1)#[1,4]
        #输出层的输入
        #print(w2)
        #print(y1)
        a2=np.dot(y1,w2)#[1,1]
        #输出层的输出
        y2=sigmoid(a2+b2)#[1,1]
        #print(y2)
        if y2[0][0]>0.5:
            output.append(1)
        else:
            output.append(0)
    print("预测值:",output)
    trueOutPut=test_y.tolist()
    print("真实值:",trueOutPut[0])
    successNumber=0
    for index,i in enumerate(trueOutPut[0]):
        if output[index]==trueOutPut[0][index]:
            successNumber+=1
    print("成功率:",successNumber/test_y.shape[1])
        
        
    
if __name__=='__main__':
    train_data=np.loadtxt("train.txt",delimiter=',')
    test_data=np.loadtxt("test.txt",delimiter=',')
    train_x=train_data[:,:2]
    train_y=train_data[:,2:].reshape(1,-1)
    test_x=test_data[:,:2]
    test_y=test_data[:,2:].reshape(1,-1)
    w1=np.random.rand(2,4)#第一层四个神经元，2个特征
    b1=np.random.rand(1,4)

    w2=np.random.rand(4,1)#输出层有一个神经元，上一层每个神经元生成一个特征，共四个特征
    b2=np.random.rand(1,1)

    lr=0.5#学习率
    doit(1000,w1,b1,w2,b2)