backpropagation算法代码实现_python bp算法 backprop

前言

研究生生涯正式开始了，看了吴恩达的AI课程，然后通过廖雪峰学习了一些python的知识，然后看了一些关于BP博文，然后手推了一遍反向传播算法，还要完成一些导师布置过来的任务，收获还是不错的，然后推荐给ML入门者一些好的网站去学习。

福利链接

廖雪峰python3网站学习地址：链接地址
吴恩达AI课程：链接地址
我见过最好的BP算法的证明：链接地址，可以把相关的文章都看一遍。

正文

今天主要跑了一下bp算法的代码，也就是第三个分享的连接下给的代码，因为给出的代码是python2.7的代码，但是现在大家基本都是用python3跑程序，但是源码直接拿来用python3跑会报错，这里我把我把我遇到的一些问题跟大家分享一下，然后我把代码挂上来。

问题1：from numpy import * 和import numpy as np有什么区别。

两种方式都是引入numpy库中的所有函数、函数、对象、变量等，两者的区别在于调用其中内容时不同.
以掉用numpy中的random模块为例，第一种方式要用numpy.random，第二种方式只用random即可。
但是请特别注意：pep标准推荐使用第一种方式，请在日常使用中尽量使用第一种方法，就比如numpy中random 标准库中也有random，但是两者的功能是不同的，使用第二种方式容易造成混淆

问题二：python2和python3 map函数的区别

python2中map函数中输入一个list做处理返回的也是一个list，但是python3中输入一个list返回的是map object，因此如果想得到一个list，需要在map函数外加list()
举个例子：

def f(x):
    return x*x

L = [1, 2, 3, 4, 5]

print(map(f, L))
1
2
3
4
5
6

该代码在python3上报错：<map object at 0x0000022B9E6BADA0>
修改的代码为：

def f(x):
    return x*x

L = [1, 2, 3, 4, 5]

print(list(map(f, L)))
1
2
3
4
5
6

此时可以得出正确结果：[1, 4, 9, 16, 25]

代码

# -*- coding: UTF-8 -*-

import random
from numpy import *
from functools import reduce

#这里exp函数来自numpy
def sigmoid(inX):
    return 1.0 / (1 + exp(-inX))


class Node(object):
    def __init__(self, layer_index, node_index):
        self.layer_index = layer_index
        self.node_index = node_index
        self.downstream = []
        self.upstream = []
        
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17