用于预测的简单深度神经网络模型（自用）

自己学着写了一个简单的深度学习的神经网络。使用样本进行训练，而后进行预测结论。

包含6个输入元，第一隐藏层8个神经元，第二隐藏层4个神经元，输出层用于最后决策，1个神经元

利用Sigmoid函数进行权重的计算和更新。

代码如下：

from numpy import array, exp, random, dot
import tqdm
import time

print("[预测型机器学习神经网络模型]-[粗饼]-[V 1.0版本]")
print("[AI代号][AHN546-3]")
print("[神经元数量][13]")
print('''
**************************************************
*                                                *
*        Deep Neural Network  1.0 Pancake        *
*                                                *
*           IRRIGATION BIRD INC 2022.8           *
*                                                *
*               -Up to 13 Neural Training !!!-   *
**************************************************
''')

# 训练样本
X = array([
    [1, 1, 1, 0, 0, 0], [1, 0, 0, 1, 1, 1], [1, 0, 0, 0, 0, 1], [1, 1, 0, 0, 0, 0],
    [0, 1, 1, 1, 1, 1], [0, 0, 1, 1, 1, 1], [0, 1, 0, 0, 0, 1], [0, 0, 1, 1, 1, 0]
])

y = array([
    [1, 1, 0, 0, 1, 1, 0, 0]
]).T


def fp(inputs):
    l1 = 1 / (1 + exp(-dot(inputs, w0)))
    l2 = 1 / (1 + exp(-dot(l1, w1)))
    l3 = 1 / (1 + exp(-dot(l2, w2)))
    return l1, l2, l3


def bp(l1, l2, l3, y):
    # 计算误差
    # 最终决策层
    error = y - l3
    slope = l3 * (1 - l3)
    l2_delta = error * slope

    # 副决策层
    l1_slope = l2 * (1 - l2)
    l1_error = l2_delta.dot(w2.T)
    l1_delta = l1_error * l1_slope

    # 隐藏层/计算层
    l0_slope = l1 * (1 - l1)
    l0_error = l1_delta.dot(w1.T)
    l0_delta = l0_error * l0_slope

    return l0_delta, l1_delta, l2_delta


# 初始化权重
random.seed(1)
# 第一层神经元，a输入，b神经元
w0 = random.random((6, 8)) * 2 - 1
# 第二层神经元，a输入，b神经元
w1 = random.random((8, 4)) * 2 - 1
# 第三层神经元，a输入，b神经元
w2 = random.random((4, 1)) * 2 - 1

print("——————————————————————————————————————————————————")
k = input("[请输入训练次数][单位：万]").strip()
k = int(k)

run_times = 1
all_data = []
while True:
    data_list = []
    data = input(f"[请输入预测数据{run_times}：][格式000000]").strip()
    if data == "00" and len(all_data) > 0:
        print(f"[共{len(all_data)}条数据][开始训练神经网络]")
        print()
        print("[已输入全部数据特征列表：]")
        for i in all_data:
            print(i)
        print()
        break

    elif len(data) != X.shape[1]:
        print("[数据长度错误]")
        continue

    elif data.isdigit():
        a = int(data[0])
        b = int(data[1])
        c = int(data[2])
        d = int(data[3])
        e = int(data[4])
        f = int(data[5])
        data_list = [a, b, c, d, e, f]
        all_data.append(data_list)
        print(f"[数据参数]{data_list}")
        run_times += 1
        continue

    else:
        print("[数据格式不正确]")
        continue

# 训练中
for _ in tqdm.tqdm(range(k), desc="[深度神经网络训练中]", ncols=100, colour="blue"):
    for i in range(10000):
        l0 = X
        l1, l2, l3 = fp(l0)
        l0_delta, l1_delta, l2_delta = bp(l1, l2, l3, y)

        w2 = w2 + dot(l2.T, l2_delta)
        w1 = w1 + dot(l1.T, l1_delta)
        w0 = w0 + dot(l0.T, l0_delta)
    time.sleep(0.03)


# 新特征预测
f = open("deeplearing.txt", "w")
print("——————————————————————————————————————————————————")
for new in all_data:
    # 返回矩阵最后值
    s = fp([new])[2]
    j = s[0][0]
    f.write(str(j) + "\n")
    print(f"[{new}][预测概率：][{round(j, 4) * 100}%]")

f.close()
end = input("[全部工作完成][感谢使用粗饼深度神经网络]")