python bp神经网络的库_Python_BP神经网络实现

Python_BP神经网络实现(鸢尾花分类测试)

简介

人工神经网络模型种类很多，其中根据网络内数据流向进行分类可以分为前馈网络、反馈网络和自组织网络。

通过对Andrew

Ng的深度学习课程的学习，本文总结其中浅层神经网络一章的知识点(本文重点不在于公式讲解，而是算法的简单实现，具体理论可看——深度学习工程师)。在此介绍和利用Python实现BP神经网络，BP神经网络是一种典型的前馈神经网络。

结构

BP神经网络分为三层分别是输入层、隐层和输出层，其中隐层的层数可以扩展，且每一层的神经元个数也可以增减。每一层中神经元与前后层神经元相连接，但是同一层神经元之间无连接。可看下方示意图。

原理

当我们使用BP神经网络来对数据进行分类或者预测的时候，每对有连接的神经元之间都有一个权重，记为w；同时还有偏移量，记为b。每个神经元中还有一个激活函数，记为σ(x)，要注意的是这不是一个函数，有多个函数可以作为激活函数：Sigmoid、tanh、Relu等。

在每一次迭代计算中，正向运算(输入层开始)，我们会计算出一个值，然后计算出该值与标准值的误差；反向运算(输出层开始)，按照减小误差方向，修正各连接权。通过一次次的迭代计算，直到误差减小到给定的极小值，就可以结束迭代，完成训练。

Python实现思路

通过python实现BP神经网络，主要有以下几个步骤：

神经网络结构确定

权重和偏移量参数初始化

正向传播计算

成本函数计算

反向传播计算

权重和偏移量参数更新

鸢尾花分类测试

既然已经完成了这个BP神经网络模型，现在就可以来试试效果。在这里我们用鸢尾花的分类来检测这个模型的可用性。

简介

Iris数据集是常用的分类实验数据集，由Fisher,

1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于(Setosa，Versicolour，Virginica)三个种类中的哪一类。

属性：

Sepal.Length(花萼长度)，单位是cm;

Sepal.Width(花萼宽度)，单位是cm;

Petal.Length(花瓣长度)，单位是cm;

Petal.Width(花瓣宽度)，单位是cm;

种类：

Iris Setosa(山鸢尾)(本例中使用数字‘0’表示)

Iris Versicolour(杂色鸢尾)(本例中使用数字‘1’表示)

Iris Virginica(维吉尼亚鸢尾)(本例中使用数字‘2’表示)

测试程序

测试结果

测试中，将150个数划分成了90个训练数据，60个测试数据。神经网络的中间层为10个神经元，迭代次数为10000次，学习率为0.25。在训练和测试中，需要对数据进行归一化，其中包括对标签数据Y的归一化，原来，我设置的三类鸢尾花的标签分别是0，1，2。通过归一化之后，获得的标签数据为0，0.5，1。对测试集获得的结果，进行归档，小于0.2的为0，大于0.8的为1，其余的均为0.5。最终获得的分类结果的准确率为98.3%。

写在最后

由于代码无法贴上，详细内容欢迎访问我的博客：

https://blog.csdn.net/q_quanting/article/details/80657174

还有不足，欢迎交流。