数学之路(3)-机器学习(3)-机器学习算法-神经网络[15]

我们接着继续对sin()*0.6函数进行拟合，将输出目标矩阵修改

#x和d样本初始化
train_x =[]
d=[]
for yb_i in xrange(0,500):
train_x.append([np.random.rand()*4*np.pi-2*np.pi])
for yb_i in xrange(0,500):
d.append(np.sin(train_x[yb_i])*0.6)

然后运行：

>>> runfile(r'K:\book_prog\ann_bpnhsin2.py', wdir=r'K:\book_prog')

产生权值初始矩阵 . . . . . . . . . . . . . . .

权值矩阵平均:-0.000290

权值矩阵方差:0.237405

-------开始第1次训练--------- 误差为：1.203455

-------开始第2次训练--------- 误差为：0.251600

-------开始第3次训练--------- 误差为：0.171428

-------开始第4次训练--------- 误差为：0.150638

-------开始第5次训练--------- 误差为：0.139607

-------开始第6次训练--------- 误差为：0.117046

-------开始第7次训练--------- 误差为：0.094542

-------开始第8次训练--------- 误差为：0.094638

-------开始第9次训练--------- 误差为：0.081085

-------开始第10次训练--------- 误差为：0.069825

-------开始第11次训练--------- 误差为：0.055752

-------开始第12次训练--------- 误差为：0.051543

-------开始第13次训练--------- 误差为：0.047403

-------开始第14次训练--------- 误差为：0.041153

-------开始第15次训练--------- 误差为：0.037089

-------开始第16次训练--------- 误差为：0.041293

-------开始第17次训练--------- 误差为：0.031686

-------开始第18次训练--------- 误差为：0.029040

-------开始第19次训练--------- 误差为：0.027352

-------开始第20次训练--------- 误差为：0.027436

-------开始第21次训练--------- 误差为：0.025903

-------开始第22次训练--------- 误差为：0.027313

-------开始第23次训练--------- 误差为：0.023676

-------开始第24次训练--------- 误差为：0.024387

-------开始第25次训练--------- 误差为：0.023643

-------开始第26次训练--------- 误差为：0.022920

-------开始第27次训练--------- 误差为：0.024208

-------开始第28次训练--------- 误差为：0.021497

-------开始第29次训练--------- 误差为：0.021265

-------开始第30次训练--------- 误差为：0.024273

-------开始第31次训练--------- 误差为：0.021759

-------开始第32次训练--------- 误差为：0.021423

-------开始第33次训练--------- 误差为：0.021184

-------开始第34次训练--------- 误差为：0.020763

-------开始第35次训练--------- 误差为：0.019938

训练成功，正在进行检验

本博客所有内容是原创，未经书面许可，严禁任何形式的转载

http://blog.csdn.net/u010255642