python机器学习之神经网络(三)
2016-06-15 00:00
851 查看
来自http://blog.csdn.net/cui134/article/details/26841073
前面两篇文章都是参考书本神经网络的原理,一步步写的代码,这篇博文里主要学习了如何使用neurolab库中的函数来实现神经网络的算法。
首先介绍一下neurolab库的配置:
neurolab下载地址:
进入该地址选择你所需要的版本进行下载,下载完成后解压。
neurolab需要采用python安装第三方软件包的方式进行安装,这里介绍一种安装方式:
(1)进入cmd窗口
(2)进入解压文件所在目录下
(3)输入 setup.py install
这样,在python安装目录的Python27\Lib\site-packages下,就可以看到neurolab的文件夹了,然后就可以使用neurolab库了。
使用neurolab库编写的代码如下:
[python]
view plain
copy
import numpy as np
import matplotlib.pyplot as plt
import neurolab as nl
input = np.array([[4,11],[7,340],[10,95],[3,29],[7,43],[5,128]])
target=np.array([[1],[0],[1],[0],[1],[0]])
#2层网络,5个输入节点,一个输出节点
net=nl.net.newff([[3,10],[11,400]],[5,1])
err=net.train(input,target,epochs=500, show=1, goal=0.02)
out=net.sim(input)
mymean=np.mean(out)
x_max=np.max(input[:,0])+5
x_min=np.min(input[:,0])-5
y_max=np.max(input[:,1])+5
y_min=np.min(input[:,1])-5
plt.subplot(211)
#误差曲线
plt.plot(range(len(err)),err)
plt.xlabel('Epoch number')
plt.ylabel('err (default SSE)')
plt.subplot(212)
#可视化图
plt.xlim(x_min,x_max)
plt.ylim(y_min,y_max)
for i in xrange(0,len(input)):
if out[i]>mymean:
plt.plot(input[i,0],input[i,1],'ro')
else:
plt.plot(input[i,0],input[i,1],'r*')
plt.show()
前面两篇文章都是参考书本神经网络的原理,一步步写的代码,这篇博文里主要学习了如何使用neurolab库中的函数来实现神经网络的算法。
首先介绍一下neurolab库的配置:
neurolab下载地址:
进入该地址选择你所需要的版本进行下载,下载完成后解压。
neurolab需要采用python安装第三方软件包的方式进行安装,这里介绍一种安装方式:
(1)进入cmd窗口
(2)进入解压文件所在目录下
(3)输入 setup.py install
这样,在python安装目录的Python27\Lib\site-packages下,就可以看到neurolab的文件夹了,然后就可以使用neurolab库了。
使用neurolab库编写的代码如下:
[python]
view plain
copy
import numpy as np
import matplotlib.pyplot as plt
import neurolab as nl
input = np.array([[4,11],[7,340],[10,95],[3,29],[7,43],[5,128]])
target=np.array([[1],[0],[1],[0],[1],[0]])
#2层网络,5个输入节点,一个输出节点
net=nl.net.newff([[3,10],[11,400]],[5,1])
err=net.train(input,target,epochs=500, show=1, goal=0.02)
out=net.sim(input)
mymean=np.mean(out)
x_max=np.max(input[:,0])+5
x_min=np.min(input[:,0])-5
y_max=np.max(input[:,1])+5
y_min=np.min(input[:,1])-5
plt.subplot(211)
#误差曲线
plt.plot(range(len(err)),err)
plt.xlabel('Epoch number')
plt.ylabel('err (default SSE)')
plt.subplot(212)
#可视化图
plt.xlim(x_min,x_max)
plt.ylim(y_min,y_max)
for i in xrange(0,len(input)):
if out[i]>mymean:
plt.plot(input[i,0],input[i,1],'ro')
else:
plt.plot(input[i,0],input[i,1],'r*')
plt.show()
相关文章推荐
- 卷积神经网络(Convolutional Neural Network)学习资料
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP
- 「深度神经网络」(deep neural network)具体工作流程
- VMWare 中Ubuntu 中的NAT 网络设置
- 神经网络编程入门
- 手把手入门神经网络系列(1)_从初等数学的角度初探神经网络
- python机器学习之神经网络(二)
- Java神经网络的框架Neuroph 2.5 with Neuroph Studio 测试
- 神经网络Tips 和Tricks
- VMware Workstation网络连接的三种模式
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 深度学习(DL)与卷积神经网络(CNN)学习随笔-05-基于Python的LeNet之CNN
- python机器学习之神经网络(三)
- 人人都能用Python写出LSTM-RNN的代码![你的神经网络学习最佳起步]
- 卷积神经网络(Convolutional Neural Network)学习资料
- 深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-04-基于Python的LeNet之MLP
- deep learning 卷积神经网络的实现(Convolution Neural Networks)
- VMWare 中Ubuntu 中的NAT 网络设置
- Java神经网络的框架Neuroph 2.5 with Neuroph Studio 测试
- 神经网络Tips 和Tricks