1.需要导入两个模块
import pandas as pd
import numpy as np
2.定于激活函数
def sigmoid(x):return 1/(1+np.exp(-x))
3.标准BP算法
def BP(x_train,y_train,numb,inta): #x_train,y_train表示训练集，numb表示隐层神经元的个数，inta表示学习率#print('x_train:',x_train)#print('y_train:',y_train)v=np.matrix(np.random.rand(len(x_train.T),numb)) #随机生成输入层神经元与隐层神经元之间的连接权#print('v:',v)w=np.matrix(np.random.rand(numb,len(y_train.T))) #随机生成隐层神经元与输出层神经元之间的连接权#print('w:',w)thita=np.matrix(np.random.rand(len(y_train.T))) #输出神经元的阈值#print("thita:",thita)garma=np.matrix(np.random.rand(numb)) #输出神经元的阈值#print("garma:",garma)temp=0for i in range(len(x_train)):alpha=x_train[i].dot(v)#隐层神经元的输入#print('alpha',alpha)b=sigmoid(alpha) #隐层神经元的输出#print('b',b)beta=b.dot(w) #输出神经元的输入#print('beta',beta)y_estimate=sigmoid(beta-thita) #求出y的估计值#print('y_estimate',y_estimate)g=y_estimate.dot((1-y_estimate).T).dot(y_train[i]-y_estimate) #输出层神经元的梯度#print('g',g)e=b.dot((1-b).T).dot(g).dot(w.T) #隐层神经元的梯度#print('e',e)E=1/2*(y_estimate-y_train[i]).dot((y_estimate-y_train[i]).T) #均方误差#print('E',E)if E>temp: #更新连接权和阈值w=w+inta*(b.T).dot(g)#print('w',w)thita=thita-inta*g#print('thita',thita)v=v+inta*(x_train[i].T).dot(e)#print('v',v)garma=garma-inta*e #隐层神经元的阈值#print('garma',garma)temp=Ereturn w,v,thita,garma**
示例：
**随机生成训练集x与y
x=np.matrix(np.random.rand(3,4)) #输入层：随机生成3个样本，每个样本有4个神经元
y=np.matrix(np.random.rand(3,2)) #输出层：随机生成3个样本，每个样本有2个神经元
print('x',x)
print('y',y)
调用BP函数
w,v,thita,garma=BP(x,y,4,0.01)#这里我假设隐层有4个神经元，学习率为0.01
print('w',w)
print('v',v)
print('thita',thita)
print('garma',garma)
