文章编号：2707 / 分类：技术教程 / 更新时间：2024-05-17 14:45:00 / 浏览：次

恭喜您成为首批注册用户

在这个例子中，我们创建了一个由多个层组成的多层神经网络，以提取训练数据中的基础模式。这个多层神经网络将像一个回归器一样工作。我们将根据下面等式生成一些数据点:y=2x28。

如下所示导入必要的软件包-

importnumpyasnpimportmatplotlib.pyplotaspltimportneurolabasnl

根据上述公式生成一些数据点-

min_val=-30max_val=30num_points=160x=np.linspace(min_val,max_val,num_points)y=2*np.square(x)8y/=np.linalg.norm(y)

现在，重塑这个数据集如下-

data=x.reshape(num_points,1)labels=y.reshape(num_points,1)

使用以下命令可视化并绘制输入数据集-

plt.figure()plt.scatter(data,labels)plt.xlabel('Dimension1')plt.ylabel('Dimension2')plt.title('Data-points')

现在，构建神经网络，其具有两个隐藏层，第一隐藏层中具有十个神经元的神经元，第二隐藏层中六个，输出层中一个神经元。

neural_net=nl.net.newff([[min_val,max_val]],[10,6,1])

现在使用梯度训练算法-

neural_net.trainf=nl.train.train_gd

现在训练网络的目标是学习上面生成的数据-

error=neural_net.train(data,labels,epochs=1000,show=100,goal=0.01)

训练数据点上运行神经网络-

output=neural_net.sim(data)y_pred=output.reshape(num_points)

现在绘图并可视化任务-

plt.figure()plt.plot(error)plt.xlabel('Numberofepochs')plt.ylabel('Error')plt.title('Trainingerrorprogress')

现在将绘制实际与预测输出关系图-

x_dense=np.linspace(min_val,max_val,num_points*2)y_dense_pred=neural_net.sim(x_dense.reshape(x_dense.size,1)).reshape(x_dense.size)plt.figure()plt.plot(x_dense,y_dense_pred,'-',x,y,'.',x,y_pred,'p')plt.title('Actualvspredicted')plt.show()

执行上述代码，您可以观察如下所示的图形-

违法和不良信息举报电话：173-0602-2364|

相关标签： AI人工智能多层神经网络、

本文地址：https://www.badfl.com/article/4d8dcfbd998f076cd61c.html

上一篇：AI人工智能构建模块环境和代理...
下一篇：AI人工智能单层神经网络...