01 |
import random |
02 |
import math |
03 |
04 |
from pyneurgen.neuralnet import NeuralNet |
05 |
from pyneurgen.nodes import BiasNode, Connection |
06 |
07 |
pop_len = 360 |
08 |
factor = 1.0 / float (pop_len) |
09 |
population = [ |
10 |
(i, math.sin( float (i) * factor )) for i in range (pop_len) |
11 |
] |
12 |
13 |
all_inputs = [] |
14 |
all_targets = [] |
15 |
16 |
def population_gen(population): |
17 |
pop_sort = [item for item in population] |
18 |
random.shuffle(pop_sort) |
19 |
for item in pop_sort: |
20 |
yield item |
21 |
22 |
# Build the inputs |
23 |
for position, target in population_gen(population): |
24 |
pos = float (position) |
25 |
all_inputs.append([random.random(), pos * factor]) |
26 |
all_targets.append([target]) |
27 |
28 |
net = NeuralNet() |
29 |
net.init_layers( 2 , [ 10 ], 1 ) |
30 |
net.randomize_network() |
31 |
net.learnrate = . 20 |
32 |
33 |
net.randomize_network() |
34 |
net.set_all_inputs(all_inputs) |
35 |
net.set_all_targets(all_targets) |
36 |
length = len (all_inputs) |
37 |
38 |
learn_end_point = int (length * . 8 ) |
39 |
net.set_learn_range( 0 , learn_end_point) |
40 |
net.set_test_range(learn_end_point + 1 , length - 1 ) |
41 |
net.layers[ 1 ].set_activation_type( 'tanh' ) |
42 |
net.learn(epochs = 125 , show_epoch_results = True ,random_testing = False ) |
43 |
mse = net.test() |
44 |
45 |
import matplotlib |
46 |
from pylab import plot, legend, subplot, grid |
47 |
from pylab import xlabel, ylabel, show, title |
48 |
49 |
test_positions = [item[ 0 ][ 1 ] * 1000.0 for item in net.get_test_data()] |
50 |
51 |
all_targets1 = [item[ 0 ][ 0 ] for item in net.test_actuals_targets] |
52 |
allactuals = [item[ 1 ][ 0 ] for item in net.test_actuals_targets] |
53 |
54 |
# This is quick and dirty, but it will show the results |
55 |
subplot( 3 , 1 , 1 ) |
56 |
plot([i[ 1 ] for i in population]) |
57 |
title( "Population" ) |
58 |
grid( True ) |
59 |
60 |
subplot( 3 , 1 , 2 ) |
61 |
plot(test_positions, all_targets1, 'bo' , label = 'targets' ) |
62 |
plot(test_positions, allactuals, 'ro' , label = 'actuals' ) |
63 |
grid( True ) |
64 |
legend(loc = 'lower left' , numpoints = 1 ) |
65 |
title( "Test Target Points vs Actual Points" ) |
66 |
67 |
subplot( 3 , 1 , 3 ) |
68 |
plot( range ( 1 , len (net.accum_mse) + 1 , 1 ), net.accum_mse) |
69 |
xlabel( 'epochs' ) |
70 |
ylabel( 'mean squared error' ) |
71 |
grid( True ) |
72 |
title( "Mean Squared Error by Epoch" ) |
73 |
74 |
show() |
相关推荐
Python神经网络编程Python神经网络程序设计书Python神经网络
标题 "python神经网络实现程序+数据集.zip" 提供了一个关于使用Python编程语言实现神经网络的项目。这个项目包括了不同类型的神经网络模型,如简单的反向传播(BP)神经网络,感知机(Perceptron),以及Adaline梯度...
Python神经网络编程主要聚焦于利用Python这一编程语言来构建和训练神经网络模型,它是深度学习领域的重要工具。Python因其简洁的语法和丰富的库支持而成为数据科学家和机器学习工程师的首选语言。本资源包含了用于...
PyTorch python 神经网络最新代码PyTorch python 神经网络最新代码PyTorch python 神经网络最新代码PyTorch python 神经网络最新代码PyTorch python 神经网络最新代码PyTorch python 神经网络最新代码PyTorch python...
本篇将深入探讨Python神经网络编程的关键概念、工具和技术。 首先,我们要了解神经网络的基础。神经网络是一种模仿人脑神经元结构的计算模型,由多个处理单元(神经元)通过连接权重相互作用。这些神经元组成层次...
python实现实 BP神经网络回归预测模型 神 主要介绍了python实现BP神经网络回归预测模型,文中通过示例代码介绍的非常详细,对大家的学习或者工作 具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...
【Python机器学习项目开发实战】深入探讨神经网络和深度学习技术,这门课程旨在帮助学习者掌握使用Python进行机器学习项目开发,特别是聚焦在深度神经网络的构建与应用上。神经网络是模仿人脑神经元结构的一种算法...
数字图像识别的Python神经网络小程序
python 用GA算法优化BP神经网络python 用GA算法优化BP神经网络 python 用GA算法优化BP神经网络python 用GA算法优化BP神经网络 python 用GA算法优化BP神经网络python 用GA算法优化BP神经网络 python 用GA算法优化BP...
收集一些Python 神经网络相关的练习源码,注释丰富,是一些学习Python时候自己完成的一个神经网络相关代码,或许对你有参考作用。可完成的功能有:简单神经网络实现自定义损失函数(利润最大化)、计算一个5层神经...
用python实现神经网络算法用python实现神经网络算法用python实现神经网络算法用python实现神经网络算法用python实现神经网络算法用python实现神经网络算法用python实现神经网络算法用python实现神经网络算法用python...
在Python中,神经网络的实现通常依赖于各种库,如TensorFlow、Keras、PyTorch等。这些库提供了丰富的功能,可以方便地构建、训练和优化神经网络模型。 在上述代码中,虽然没有直接涉及神经网络的构建,但可以看到它...
【作品名称】:基于python 神经网络实现 latex公式识别 【神经网络课设】 【适用人群】:适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目...
### Python神经网络编程知识点详解 #### 一、基础知识回顾与准备 ##### 1. 运行环境配置 在本章节中,我们了解到运行环境需要**Python3.6**及以上的版本,并推荐使用**Anaconda3**来管理和安装必要的库。此外,...
神经网络 时间序列预测 python语言 code LSTM 深度学习
纯手写卷积神经网络,未使用任何神经网络框架,使用numpy...阅读建议:对于想学习python的同学,可通过此小项目一边研习python代码语法,一边学习卷积神经网络算法,可以很快入门python,并掌握基础的卷积神经网络算法。
在本资源中,你将找到一个基于Python实现的BP(Backpropagation)神经网络源代码。BP神经网络是一种常用于模式识别和函数逼近的多层前馈神经网络,它的核心在于利用反向传播算法来调整权重,从而优化网络性能。这个...
Python作为目前最流行的编程语言之一,拥有丰富的库支持神经网络的实现,如TensorFlow、Keras、PyTorch等。 本项目专注于使用Python实现BP神经网络,旨在预测未知数据。在CSDN博主的文章中,你可以找到详细的步骤和...
python神经网络算法,代码注释详细,实用易懂