AI для ответов на вопросы: Мне нужен пример алгоритма нейросети на питоне с двумя скрытыми слоями и использованием биаса, с использованием б...

15 мая 2025

Базы данных

Условие:

AI для ответов на вопросы: Мне нужен пример алгоритма нейросети на питоне с двумя скрытыми слоями и использованием биаса, с использованием библиотеки numpy и без использования пакета tensorflow или подобного ему

Решение:

Конечно! Вот пример реализации нейронной сети с двумя скрытыми слоями на языке Python с использованием библиотеки numpy:

import numpy as np

# Функция активации - сигмоида
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# Входные данные
X = np.array([[0, 0, 1],
              [0, 1, 1],
              [1, 0, 1],
              [1, 1, 1]])

# Выходные данные
y = np.array([[0],
              [1],
              [1],
              [0]])

# Задаем случайные веса
np.random.seed(1)
syn0 = 2 * np.random.random((3, 4)) - 1
syn1 = 2 * np.random.random((4, 2)) - 1
syn2 = 2 * np.random.random((2, 1)) - 1

# Обучение сети
for i in range(60000):
    # Прямое распространение
    l0 = X
    l1 = sigmoid(np.dot(l0, syn0))
    l2 = sigmoid(np.dot(l1, syn1))
    l3 = sigmoid(np.dot(l2, syn2))

    # Вычисление ошибки
    l3_error = y - l3

    # Обратное распространение ошибки
    l3_delta = l3_error * (l3 * (1 - l3))
    l2_error = l3_delta.dot(syn2.T)
    l2_delta = l2_error * (l2 * (1 - l2))
    l1_error = l2_delta.dot(syn1.T)
    l1_delta = l1_error * (l1 * (1 - l1))

    # Обновление весов
    syn2 += l2.T.dot(l3_delta)
    syn1 += l1.T.dot(l2_delta)
    syn0 += l0.T.dot(l1_delta)

# Вывод результата
print("Результат после обучения:")
print(l3)

В этом примере мы создаем нейронную сеть с тремя слоями: входным слоем, двумя скрытыми слоями и выходным слоем. Каждый слой имеет свои веса (syn0, syn1, syn2), которые инициализируются случайными значениями. Мы используем сигмоидальную функцию активации для всех нейронов.

Затем мы обучаем сеть на входных данных (X) и соответствующих выходных данных (y) с помощью алгоритма обратного распространения ошибки. Веса обновляются на каждой итерации, чтобы минимизировать ошибку предсказания.

В конце обучения мы выводим результат - предсказанные значения (l3) для входных данных.