python怎樣搭建多層神經網絡？這個問題可能是我們日常工作經常見到的。通過這個問題，希望你能收獲更多。下面是解決這個問題的步驟內容。

成都創新互聯專注于企業營銷型網站建設、網站重做改版、瑯琊網站定制設計、自適應品牌網站建設、H5場景定制、商城網站定制開發、集團公司官網建設、成都外貿網站制作、高端網站制作、響應式網頁設計等建站業務，價格優惠性價比高，為瑯琊等各大城市提供網站開發制作服務。

模型的搭建按照自己的想法設計，源碼共7個.py文件，如下圖：

按照創建先后順序，分別是：data.py，layer.py，network.py，activation.py，loss.py，train.py，evaluate.py。data.py用于獲取數據并對數據進行預處理，layer.py創建了一個Layer類，用來表示第L層，network.py抽象了一個網絡類，將傳入的若干層通過計算輸入輸出連接起來，組成一個網絡，data.py用來讀取數據，loss.py明確了交叉熵損失函數和其導數，activation.py分別寫了激活函數relu和sigmoid以及其導函數，train.py創建了層次并組成網絡，然后對數據進行訓練并保存模型，最后evaluate.py用于對測試集進行測試。

網絡分為2大塊，正向傳播和反向傳播：

但是不管是正向還是反向，網絡中的每一層都可以抽象出來，因此創建一個layer類：

正向傳播的L層：

反向傳播的L層：

在寫代碼之前，最重要的是確定每個變量和參數的維度：

正向傳播：

注意：n[L]表示當前層(即第L層)中的神經元個數，n[L-1]表示前一層(即L-1層)的神經元個數，例如在本次程序中，n[0]=12288，n[1]=1000，n[2]=500，n[3]=1

反向傳播：

1. data.py

# coding: utf-8

# 2019/7/20 18:59

import h6py

import numpy as np

def get_train():

f = h6py.File('dataset/train_catvnoncat.h6','r')

x_train = np.array(f['train_set_x'])#訓練集數據 將數據轉化為np.array

y_train = np.array(f['train_set_y'])#訓練集標簽

return x_train,y_train

def get_test():

f = h6py.File('dataset/test_catvnoncat.h6', 'r')

x_test = np.array(f['test_set_x'])#測試集數據 將數據轉化為np.array

y_test = np.array(f['test_set_y'])#測試集標簽

return x_test,y_test

def preprocess(X):

#將X標準化，從0-255變成0-1

# X =X / 255

#將數據從(m,64,64,3)變成(m,12288)

X = X.reshape([X.shape[0], X.shape[1]*X.shape[2]*X.shape[3]]).T

return X

if __name__ == '__main__':

x1,y1 = get_train()

x2,y2 = get_test()

print(x1.shape,y1.shape)

print(x2.shape,y2.shape)

from matplotlib import pyplot as plt

plt.figure()

for i in range(1,16):

plt.subplot(3,5,i)

plt.imshow(x1[i])

print(y1[i])

plt.show()

2. layer.py

# coding: utf-8

# 2019/7/21 9:22

import numpy as np

class Layer:

def __init__(self,nL,nL_1,activ,activ_deri, learning_rate):

#參數分別表示：當前層神經元個數，前一層神經元個數，激活函數，激活函數的導函數，學習率

self.nL = nL

self.nL_1 = nL_1

self.g = activ

self.g_d = activ_deri

self.alpha = learning_rate

self.W = np.random.randn(nL,nL_1)*0.01

self.b = np.random.randn(nL,1)*0.01

#正向傳播：

#1、計算Z=WX+b

#2、計算A=g(Z)

def forward(self,AL_1):

self.AL_1 = AL_1

assert (AL_1.shape[0] == self.nL_1)

self.Z = np.dot(self.W,AL_1)+self.b

assert (self.Z.shape[0] == self.nL)

AL = self.g(self.Z)

return AL

#反向傳播：

#1、m表示樣本個數

#2、計算dZ，dW，db，dAL_1

#3、梯度下降，更新W和b

def backward(self,dAL):

assert (dAL.shape[0] == self.nL)

m = dAL.shape[1]

dZ = np.multiply(dAL,self.g_d(self.Z))

assert (dZ.shape[0] == self.nL)

dW = np.dot(dZ,self.AL_1.T)/m

assert (dW.shape == (self.nL,self.nL_1))

db = np.mean(dZ,axis=1,keepdims=True)

assert (db.shape == (self.nL,1))

dAL_1 = np.dot(self.W.T,dZ)

assert (dAL_1.shape[0] == self.nL_1)

#梯度下降

self.W -= self.alpha*dW

self.b -= self.alpha*db

return dAL_1

3. network.py

# coding: utf-8

# 2019/7/21 10:45

import numpy as np

class Network:

def __init__(self,layers,loss,loss_der):

self.layers = layers

self.loss = loss

self.loss_der = loss_der

#根據輸入的數據來調用正向傳播函數，不斷更新A，最后得到預測結果

def predict(self,X):

A = X

for layer in self.layers:

A = layer.forward(A)

return A

#連接每個層組建網絡：

#1、根據輸入的數據進行正向傳播，得到預測結果Y_predict

#2、根據Y_predict和真實值Y，通過損失函數來計算成本值J

#3、根據J來計算反向傳播的輸入值dA

#4、調用反向傳播函數來更新dA

def train(self,X,Y,epochs=10):

for i in range(epochs):

Y_predict = self.predict(X)

J = np.mean(self.loss(Y, Y_predict))

print('epoch %d:loss=%f'%(i,J))

dA = self.loss_der(Y,Y_predict)

for layer in reversed(self.layers):

#更新dA

dA= layer.backward(dA)

4. loss.py

# coding: utf-8

# 2019/7/21 11:34

import numpy as np

#交叉熵損失函數

def cross_entropy(y, y_predict):

y_predict = np.clip(y_predict,1e-10,1-1e-10) #防止0*log(0)出現。導致計算結果變為NaN

return -(y * np.log(y_predict) + (1 - y) * np.log(1 - y_predict))

#交叉熵損失函數的導函數

def cross_entropy_der(y,y_predict):

return -y/y_predict+(1-y)/(1-y_predict)

5. activation.py

# coding: utf-8

# 2019/7/21 9:49

import numpy as np

def sigmoid(z):

return 1 / (1 + np.exp(-z))

#sigmoid導函數

def sigmoid_der(z):

x = np.exp(-z)

return x/((1+x)**2)

def relu(z):無錫婦科醫院 http://www.xasgyy.net/

return np.maximum(0,z)

#relu導函數

def relu_der(z):

return (z>=0).astype(np.float64)

6. train.py

# coding: utf-8

# 2019/7/21 12:13

import data,layer,loss,network,activation

import pickle,time

#對數據集進行訓練并保存模型

#1、搭建3層網絡層

#2、將3個層組建成網絡

#3、獲取訓練集數據

#4、對輸入值X進行預處理

#5、將數據輸入網絡進行訓練，epochs為1000

#6、將整個模型保存

if __name__ == '__main__':

learning_rate = 0.01

L1 = layer.Layer(1000,64*64*3, activation.relu, activation.relu_der, learning_rate)

L2 = layer.Layer(500,1000,activation.relu, activation.relu_der, learning_rate)

L3 = layer.Layer(1,500, activation.sigmoid, activation.sigmoid_der, learning_rate)

net = network.Network([L1,L2,L3], loss.cross_entropy, loss.cross_entropy_der)

X,Y = data.get_train()

X = data.preprocess(X)

net.train(X,Y,1000)

with open('models/model_%s.pickle'%(time.asctime().replace(':','_').replace(' ','-')),'wb') as f:

pickle.dump(net,f)

7. evaluate.py

# coding: utf-8

# 2019/7/21 14:17

import data

import pickle

import numpy as np

if __name__ == '__main__':

model_name = 'model_Sun-Jul-21-14_41_42-2019.pickle'

#導入模型

with open('models/'+model_name,'rb') as f:

net = pickle.load(f)

#獲取測試數據集

X,Y = data.get_test()

X = data.preprocess(X)

#根據輸入數據X進行預測

Y_predict = net.predict(X)

Y_pred_float = (Y_predict>0.5).astype(np.float64)

#計算精確度

accuracy = np.sum(np.equal(Y_pred_float,Y).astype(np.int))/Y.shape[0]

print('accuracy:',accuracy)

結果

看完上訴內容，你們對python搭建多層神經網絡大概了解了嗎？如果想了解更多相關文章內容，歡迎關注創新互聯行業資訊頻道，感謝各位的閱讀！

另外有需要云服務器可以了解下創新互聯cdcxhl.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業上云的綜合解決方案，具有“安全穩定、簡單易用、服務可用性高、性價比高”等特點與優勢，專為企業上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

網頁題目：python怎樣搭建多層神經網絡？-創新互聯
分享URL：http://www.js-pz168.com/article40/docjho.html

成都網站建設公司_創新互聯，為您提供小程序開發、電子商務、面包屑導航、網站策劃、網頁設計公司、網站排名

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯