BP神经网络对莺尾花进行分类.docVIP

PAGE 1 PAGE 1 实 验 报 告 2018 ── 2019 学年 第 二 学期 实验目的及要求 实验原理、实验内容 实验仪器设备及材料 操作方法与实验步骤 实验数据记录及处理 实验结果分析 实验三：BP神经网络分类器 BP神经网络结构图（1个隐藏层，4个节点） 2．主要代码 # -*- coding: utf-8 -*- import numpy as np import matplotlib.pyplot as plt # 训练数据读入 my_matrix = np.loadtxt(open(iris_training.txt,rb),delimiter=,,skiprows=0) my_matrix_test = np.loadtxt(open(iris_test.txt,rb),delimiter=,,skiprows=0) # 偏置 b = np.ones((my_matrix.shape[0],1)) # 训练数据 X = np.hstack([b,my_matrix[:,0:2]]) # 标签（期望值） Y = my_matrix[:,2:3] # 测试数据 b_test = np.ones((my_matrix_test.shape[0],1)) X_test = np.hstack([b_test,my_matrix_test[:,0:2]]) Y_test = my_matrix_test[:,2:3] # 权重（随机） V = np.random.random((3,5))*2-1 W = np.random.random((5,1))*2-1 print(\n 原始权重： ) print(输入层到隐藏层权重：) print(V) print(隐藏层到输出层权重：) print(W) # 学习率 lr = 0.4 # 定义sigmoid激活函数 def sigmoid(x): return 1/(1+np.exp(-x)) # 定义sigmoid激活函数导数 def dsigmoid(x): return x*(1-x) def update(): global X,Y,W,V,lr L1 = sigmoid(np.dot(X,V)) #隐藏层输出 L2 = sigmoid(np.dot(L1,W)) #输出层输出 L2_delta = (Y - L2)*dsigmoid(L2) L1_delta = L2_delta.dot(W.T)*dsigmoid(L1) W_C = lr*L1.T.dot(L2_delta) V_C = lr*X.T.dot(L1_delta) W = W + W_C V = V + V_C # 记录迭代过程错误率及权重变化,用于画图 Loss = [] Epoch = [] VL = [] WL = [] # 迭代更新权重 for i in range(10000): update() if i%100==0: L1 = sigmoid(np.dot(X,V)) #隐藏层输出 L2 = sigmoid(np.dot(L1,W)) #输出层输出 loss = np.mean(np.abs(Y-L2)) #误差 Loss.append(loss) Epoch.append(i) VL.append(V) WL.append(W) V0 = [] V1 = [] V2 = [] V3 = [] V4 = [] W0 = [] W1 = [] W2 = [] W3 = [] W4 = [] for V in VL: V0.append(V[:,0]) V1.append(V[:,1]) V2.append(V[:,2]) V3.append(V[:,3]) V4.append(V[:,4]) for W in WL: W0.append(W[0][0]) W1.append(W[1][0]) W2.append(W[2][0]) W3.append(W[3][0]) W4.append(W[4][0]) VS = [V0,V1,V2,V3,V4] print( 迭代后权重： ) print(输入层到隐藏层权重：) print(V) print(隐