import?numpy?as?np

def?loaddataset（filename）:
	fp?=?open（filename）

	#存放數據
	dataset?=?[]

	#存放標簽
	labelset?=?[]
	for?i?in?fp.readlines（）:
		a?=?i.strip（）.split（）

		#每個數據行的最后一個是標簽
		dataset.append（[float（j）?for?j?in?a[:len（a）-1]]）
		labelset.append（int（float（a[-1]）））
	return?dataset?labelset


#x為輸入層神經元個數，y為隱層神經元個數，z輸出層神經元個數
def?parameter_initialization（x?y?z）:

	#隱層閾值
	value1?=?np.random.randint（-5?5?（1?y））.astype（np.float64）

	#輸出層閾值
	value2?=?np.random.randint（-5?5?（1?z））.astype（np.float64）

	#輸入層與隱層的連接權重
	weight1?=?np.random.randint（-5?5?（x?y））.astype（np.float64）

	#隱層與輸出層的連接權重
	weight2?=?np.random.randint（-5?5?（y?z））.astype（np.float64）

	return?weight1?weight2?value1?value2

def?sigmoid（z）:
	return?1?/?（1?+?np.exp（-z））

‘‘‘
weight1:輸入層與隱層的連接權重
weight2:隱層與輸出層的連接權重
value1:隱層閾值
value2:輸出層閾值
‘‘‘
def?trainning（dataset?labelset?weight1?weight2?value1?value2）:
	#x為步長
	x?=?0.01
	for?i?in?range（len（dataset））:
		#輸入數據
		inputset?=?np.mat（dataset[i]）.astype（np.float64）
		#數據標簽
		outputset?=?np.mat（labelset[i]）.astype（np.float64）
		#隱層輸入
		input1?=?np.dot（inputset?weight1）.astype（np.float64）
		#隱層輸出
		output2?=?sigmoid（input1?-?value1）.astype（np.float64）
		#輸出層輸入
		input2?=?np.dot（output2?weight2）.astype（np.float64）
		#輸出層輸出
		output3?=?sigmoid（input2?-?value2）.astype（np.float64）

		#更新公式由矩陣運算表示
		a?=?np.multiply（output3?1?-?output3）
		g?=?np.multiply（a?outputset?-?output3）
		b?=?np.dot（g?np.transpose（weight2））
		c?=?np.multiply（output2?1?-?output2）
		e?=?np.multiply（b?c）

		value1_change?=?-x?*?e
		value2_change?=?-x?*?g
		weight1_change?=?x?*?np.dot（np.transpose（inputset）?e）
		weight2_change?=?x?*?np.dot（np.transpose（output2）?g）

		#更新參數
		value1?+=?value1_change
		value2?+=?value2_change
		weight1?+=?weight1_change
		weight2?+=?weight2_change
	return?weight1?weight2?value1?value2

def?testing（dataset?labelset?weight1?weight2?value1?value2）:
	#記錄預測正確的個數
	rightcount?=?0
	for?i?in?range（len（dataset））:
		#計算每一個樣例通過該神經網路后的預測值
		inputset?=?np.mat（dataset[i]）.astype（np.float64）
		outputset?=?np.mat（labelset[i]）.astype（np.float64）
		output2?=?sigmoid（np.dot（inputset?weight1）?-?value1）
		output3?=?sigmoid（np.dot（output2?weight2）?-?value2）

		#確定其預測標簽
		if?output3?>?0.5:
			flag?=?1
		else:
			flag?=?0
		if?labelset[i]?==?flag:
			rightcount?+=?1
		#輸出預測結果
		print（“預測為%d???實際為%d“%（flag?labelset[i]））
	#返回正確率
	return?rightcount?/?len（dataset）

if?__name__?==?‘__main__‘:
	dataset?labelset?=?loaddataset（‘horseColicTraining.txt‘）
	weight1?weight2?value1?value2?=?parameter_initialization（len（dataset[0]）?len（dataset[0]）?1）
	for?i?in?range（1500）:
		weight1?weight2?value1?value2?=?trainning（dataset?labelset?weight1?weight2?value1?value2）
	rate?=?testing（dataset?labelset?weight1?weight2?value1?value2）
	print（“正確率為%f“%（rate））

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-12-29?19:40??BP紲炵粡緗戠粶\
?????文件????????3722??2019-05-30?20:41??BP紲炵粡緗戠粶\horseColicTest.txt
?????目錄???????????0??2019-12-29?19:40??__MACOSX\
?????目錄???????????0??2019-12-29?19:40??__MACOSX\BP紲炵粡緗戠粶\
?????文件?????????176??2019-05-30?20:41??__MACOSX\BP紲炵粡緗戠粶\._horseColicTest.txt
?????文件???????60357??2019-05-30?20:41??BP紲炵粡緗戠粶\horseColicTraining.txt
?????文件?????????176??2019-05-30?20:41??__MACOSX\BP紲炵粡緗戠粶\._horseColicTraining.txt
?????文件????????3342??2019-06-08?15:35??BP紲炵粡緗戠粶\network.py
?????文件?????????176??2019-06-08?15:35??__MACOSX\BP紲炵粡緗戠粶\._network.py
?????文件?????????176??2019-12-29?19:40??__MACOSX\._BP紲炵粡緗戠粶