BP神经网络
主要代码来源于:https://www.cnblogs.com/coshaho/p/7499520.html
代码:
package net.highersoft.service.neuro; import java.util.Arrays; public class BpDeepTest { public static void main(String[] args){ //初始化神经网络的基本配置 //第一个参数是一个整型数组,表示神经网络的层数和每层节点数,比如{3,10,10,10,10,2}表示输入层是3个节点,输出层是2个节点,中间有4层隐含层,每层10个节点 //第二个参数是学习步长,第三个参数是动量系数 BpDeep bp = new BpDeep(new int[]{2,3,2}, 0.15, 0.8); //设置样本数据,对应上面的4个二维坐标数据 double[][] data = new double[][]{{1,2},{2,2},{1,1},{2,1}}; //设置目标数据,对应4个坐标数据的分类 double[][] target = new double[][]{{1,0},{0,1},{0,1},{1,0}}; //迭代训练5000次 for(int n=0;n<5000;n++) for(int i=0;i<data.length;i++) bp.train(data[i], target[i]); //根据训练结果来检验样本数据 for(int j=0;j<data.length;j++){ double[] result = bp.computeOut(data[j]); System.out.println(Arrays.toString(data[j])+":"+Arrays.toString(result)); } //根据训练结果来预测一条新数据的分类 double[] x = new double[]{3,1}; double[] result = bp.computeOut(x); System.out.println(Arrays.toString(x)+":"+Arrays.toString(result)); } } package net.highersoft.service.neuro; import java.util.Random; public class BpDeep { public double[][] layer;//神经网络各层节点 public double[][] layerErr;//神经网络各节点误差 public double[][][] layer_weight;//各层节点权重 public double[][][] layer_weight_delta;//各层节点权重动量 public double mobp;//动量系数 public double rate;//学习系数 public BpDeep(int[] layernum, double rate, double mobp){ this.mobp = mobp; this.rate = rate; layer = new double[layernum.length][]; layerErr = new double[layernum.length][]; layer_weight = new double[layernum.length][][]; layer_weight_delta = new double[layernum.length][][]; Random random = new Random(); for(int l=0;l<layernum.length;l++){ layer[l]=new double[layernum[l]]; layerErr[l]=new double[layernum[l]]; if(l+1<layernum.length){ layer_weight[l]=new double[layernum[l]+1][layernum[l+1]]; layer_weight_delta[l]=new double[layernum[l]+1][layernum[l+1]]; for(int j=0;j<layernum[l]+1;j++) for(int i=0;i<layernum[l+1];i++) layer_weight[l][j][i]=random.nextDouble();//随机初始化权重 } } } //逐层向前计算输出 public double[] computeOut(double[] in){ //l=0是输入层,layer.length-1是输出层。这里是从第1层开始计算,结果放入layer.如果是3层,则输出是第2、3层。 for(int l=1;l<layer.length;l++){ //节点遍历 for(int j=0;j<layer[l].length;j++){ //输入=权重[层下标][本层权重和下标(最后)][节点下标] double z=layer_weight[l-1][layer[l-1].length][j]; for(int i=0;i<layer[l-1].length;i++){ //前一层的第i个节点值为,第0层的值是输入参数,其它的取原值 layer[l-1][i]=(l==1?in[i]:layer[l-1][i]); //前一层的第i个节点的第j条连接值为,第1层的值是输入参数 z+=layer_weight[l-1][i][j]*layer[l-1][i]; } layer[l][j]=1/(1+Math.exp(-z)); } } return layer[layer.length-1]; } //逐层反向计算误差并修改权重 public void updateWeight(double[] tar){ int l=layer.length-1; for(int j=0;j<layerErr[l].length;j++) { //把这个函数E误差取它的最小值,需要对其进行求导 layerErr[l][j]=layer[l][j]*(1-layer[l][j])*(tar[j]-layer[l][j]); } while(l-->0){ for(int j=0;j<layerErr[l].length;j++){ double z = 0.0; for(int i=0;i<layerErr[l+1].length;i++){ z=z+l>0?layerErr[l+1][i]*layer_weight[l][j][i]:0; layer_weight_delta[l][j][i]= mobp*layer_weight_delta[l][j][i]+rate*layerErr[l+1][i]*layer[l][j];//隐含层动量调整 layer_weight[l][j][i]+=layer_weight_delta[l][j][i];//隐含层权重调整 if(j==layerErr[l].length-1){ layer_weight_delta[l][j+1][i]= mobp*layer_weight_delta[l][j+1][i]+rate*layerErr[l+1][i];//截距动量调整 layer_weight[l][j+1][i]+=layer_weight_delta[l][j+1][i];//截距权重调整 } } layerErr[l][j]=z*layer[l][j]*(1-layer[l][j]);//记录误差 } } } public void train(double[] in, double[] tar){ double[] out = computeOut(in); updateWeight(tar); } }
相关阅读
评论:
↓ 广告开始-头部带绿为生活 ↓
↑ 广告结束-尾部支持多点击 ↑