BP神经网络拓扑图：从基础概念到实战实现

1次阅读

没有评论

共计 1627 个字符，预计需要花费 5 分钟才能阅读完成。

BP 神经网络（Back Propagation Neural Network）是一种通过误差反向传播算法训练的多层前馈网络。它的拓扑图直观展示了网络的结构，包括输入层、隐含层和输出层之间的连接关系。

拓扑图作用 ：
可视化网络层级结构
明确神经元之间的连接方式
帮助理解信息流动方向
便于调试网络参数

BP 神经网络的拓扑结构主要取决于隐含层的数量和每层神经元的个数：

单隐含层结构 （输入层 - 隐含层 - 输出层）
适用场景：解决简单分类 / 回归问题
优点：训练速度快，不易过拟合
多隐含层结构 （深层网络）
适用场景：复杂非线性问题（如图像识别）
注意：需要更多训练数据和计算资源
全连接与稀疏连接
全连接：每层神经元与下一层全部连接
稀疏连接：部分连接（需特殊设计）

下面是一个使用 NumPy 实现的单隐含层 BP 神经网络示例：

import numpy as np

class BPNN:
    def __init__(self, input_size, hidden_size, output_size):
        # 初始化权重（-0.5 到 0.5 之间）self.W1 = np.random.rand(input_size, hidden_size) - 0.5
        self.W2 = np.random.rand(hidden_size, output_size) - 0.5

    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))

    def forward(self, X):
        # 前向传播
        self.hidden = self.sigmoid(np.dot(X, self.W1))
        output = self.sigmoid(np.dot(self.hidden, self.W2))
        return output

    def train(self, X, y, epochs=1000, lr=0.1):
        for _ in range(epochs):
            # 前向传播
            output = self.forward(X)

            # 反向传播
            error = y - output
            d_output = error * output * (1 - output)

            error_hidden = d_output.dot(self.W2.T)
            d_hidden = error_hidden * self.hidden * (1 - self.hidden)

            # 更新权重
            self.W2 += lr * self.hidden.T.dot(d_output)
            self.W1 += lr * X.T.dot(d_hidden)

# 示例：解决 XOR 问题
X = np.array([[0,0], [0,1], [1,0], [1,1]])
y = np.array([[0], [1], [1], [0]])

# 创建网络（2 输入，2 隐含，1 输出）nn = BPNN(2, 2, 1)
nn.train(X, y, epochs=10000)

# 测试
print("测试结果:")
for i in range(4):
    print(f"输入 {X[i]}，预测:{nn.forward(X[i])}")