C++实战：从零开始实现BP神经网络训练BP神经网络

1次阅读

没有评论

共计 1511 个字符，预计需要花费 4 分钟才能阅读完成。

BP 神经网络（Backpropagation Neural Network）是一种多层前馈神经网络，通过反向传播算法来调整权重，实现从输入到输出的复杂映射。在 C ++ 中实现 BP 神经网络有以下优势：

性能高效：C++ 的底层操作和内存管理能力适合处理大量矩阵运算
灵活性高：可以自由控制网络结构和训练过程
可移植性强：不依赖第三方库也能实现核心功能

一个典型的 BP 神经网络包含三层结构：

输入层：接收原始数据，节点数等于特征维度
隐藏层：进行特征变换，节点数根据任务复杂度确定
输出层：产生最终预测，节点数与输出维度一致

前向传播计算分为三步：

输入层到隐藏层的加权求和
应用激活函数（如 Sigmoid）
隐藏层到输出层的相同过程

反向传播的核心是链式求导：

计算输出层误差
反向传播误差到隐藏层
根据误差更新权重

#include <vector>
#include <cmath>
#include <iostream>

class NeuralNetwork {
private:
    // 网络参数
    int inputNodes, hiddenNodes, outputNodes;

    // 权重矩阵
    std::vector<std::vector<double>> weightsInputHidden;
    std::vector<std::vector<double>> weightsHiddenOutput;

    // 激活函数
    double sigmoid(double x) {return 1.0 / (1.0 + exp(-x));
    }

public:
    // 构造函数
    NeuralNetwork(int input, int hidden, int output) {
        // 初始化网络结构
        inputNodes = input;
        hiddenNodes = hidden;
        outputNodes = output;

        // 初始化权重(-1.0 到 1.0 之间)
        weightsInputHidden.resize(inputNodes);
        for(auto& row : weightsInputHidden) {row.resize(hiddenNodes);
            for(auto& val : row) {val = (rand() / double(RAND_MAX)) * 2 - 1;
            }
        }

        // 其他权重初始化类似
    }

    // 前向传播
    std::vector<double> predict(std::vector<double> input) {// 实现前向传播逻辑}

    // 训练函数
    void train(std::vector<double> input, std::vector<double> target) {// 实现训练逻辑}
};

通过累计多个样本的梯度再进行更新，可以减少震荡：