1.简介(只是简单介绍下理论内容帮助理解下面的代码，如果自己写代码实现此理论不够)
1） BP神经网络是一种多层网络算法，其核心是反向传播误差，即： 使用梯度下降法(或其他算法)，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐藏层(hidden layer)和输出层(output layer)，每层包含多个神经元。
2）BP神经网络示例图
上图就是一个简单的三层BP神经网络。网络共有6个单元，O0用于表示阈值，O1、O2为输入层，O3、O4为第一隐层，也是唯一隐层，O5为输出层单元。网络接收两个输入
，发送一个输出
。每个单元接收一组输入，发送一个输出。
为权值,例如W40 表示O0与O4之间的权重。
3）神经单元(计算单元)
如上图所示，每个圆表示一个神经单元。其接收一组数据，经过计算输出一个数据。
4）传播过程
a）正向传递
例如：从O1-->O4-->05,这是正向传递过程中的一个路径(O4除了接收O1,还接收O0、O2的输入)。这里重点说下权重，W41表示O1和O4之间的权重，假如O1=1,O4=4,W41=0.5,那么O5=1*4*0.5=2(2不是最终输出，最终输出还需要加上O0、O2 的计算结果).
b）反向传递（过程比较复杂，这个表述不是特别精确，只是为了方便理解）
例如：从O1<--O4<--05,在这个过程中，O5是计算出的值，参与计算的O4的值不是其本身的值，而是在正向传递过程中计算出的值（即输出值）。而权重也是这个过程中调整的。
2.MLPClassifier函数
此函数是sklearn.neural_network中的函数，它是利用反向传播误差进行计算的多层感知器算法。
a) 主要参数
hidden_layer_sizes：隐藏层，例如:(5,2) 表示有2个隐藏层，第一隐藏层有5个神经单元，第二个隐藏层有2个神经单元；(5,2,4)表示有三个隐藏层。
activation：激活函数，在反向传递中需要用到。有以下四个可选项：
'identity':无激活操作，有助于实现线性瓶颈, 返回 f(x) = x
'logistic':逻辑函数, 返回 f(x) = 1 / (1 + exp(-x)).
'tanh': 双曲线函数, 返回 f(x) = tanh(x).
'relu': 矫正线性函数, 返回 f(x) = max(0, x)，（默认）
solver：反向传播过程中采用的算法，有以下三个选项：
'lbfgs': 准牛顿算法.适用于较小数据集
'sgd': 随机梯度下降算法.
'adam':优化的随机梯度下降算法(默认)。适用于较大数据集
alpha：L2惩罚系数
learning_rate：学习速率，有以下几个选项：(只有当slver='sgd'时有用)
constant:参数learning_rate_init指定的恒定学习速率.(默认选项)
invscaling’:使用“scale_t”的反向缩放指数逐渐降低每个时间步长t 的学习率。effective_learning_rate = learning_rate_init / pow（t，power_t）(power_t是另外一个参数)
adaptive: 自适应，只要损失不断下降就是用learning_rate_init。否则会自动调整(由另外一个参数tol决定)。
learning_rate_init:初始学习速率
b)属性
coefs_：权重列表
n_layers_：神经网络的总层数
3.示例一
本示例使用的数据：机器学习：从编程的角度去理解逻辑回归 。在下面的参数情况下正确率95%。
import numpy as np import os import pandas as pd from sklearn.neural_network import MLPClassifier def loadDataSet(): ##运行脚本所在目录 base_dir=os.getcwd() ##记得添加header=None，否则会把第一行当作头 data=pd.read_table(base_dir+r"lr.txt",header=None) ##dataLen行dataWid列 ：返回值是dataLen=100 dataWid=3 dataLen,dataWid = data.shape ##训练数据集 xList = [] ##标签数据集 lables = [] ##读取数据 for i in range(dataLen): row = data.values[i] xList.append(row[0:dataWid-1]) lables.append(row[-1]) return xList,lables def GetResult(): dataMat,labelMat=loadDataSet() clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(5,2), random_state=1) clf.fit(dataMat, labelMat) #print("层数----------------------") #print(clf.n_layers_) #print("权重----------------------") #for cf in clf.coefs_: # print(cf) #print("预测值----------------------") y_pred=clf.predict(dataMat) m = len(y_pred) ##分错4个 t = 0 f = 0 for i in range(m): if y_pred[i] ==labelMat[i]: t += 1 else : f += 1 print("正确:"+str(t)) print("错误:"+str(f)) if __name__=='__main__': GetResult()
4.示例二(数据来源)
这次使用的数据还是红酒。因为红酒的口感得分是整数，所以也可以当作是分类。但是针对此实验数据，在多次调整参数的过程中（主要是调整隐藏层）正确率最高只有61%。这正是BP神经网络的一个缺陷:隐含层的选取缺乏理论的指导。
代码：
import numpy as np import os import pandas as pd from sklearn.neural_network import MLPClassifier ##运行脚本所在目录 base_dir=os.getcwd() ##记得添加header=None，否则会把第一行当作头 data=pd.read_table(base_dir+r"wine.txt",header=None,sep=';') ##dataLen行dataWid列 ：返回值是dataLen=1599 dataWid=12 dataLen,dataWid = data.shape ##训练数据集 xList = [] ##标签数据集 lables = [] ##读取数据 for i in range(dataLen): row = data.values[i] xList.append(row[0:dataWid-1]) lables.append(row[-1]) ##设置训练函数 clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(14,14,30), random_state=1) ##开始训练数据
clf.fit(xList, lables) ##读取预测值 y_pred=clf.predict(xList) m = len(y_pred) t = 0 f = 0 ##预测结果分析 for i in range(m): if int(y_pred[i]) == lables[i]: t += 1 else : f += 1 print("正确:"+str(t)) print("错误:"+str(f))
5.BP神经网络的缺点
1）容易形成局部极小值而得不到全局最优值。BP神经网络中极小值比较多，所以很容易陷入局部极小值，这就要求对初始权值和阀值有要求，要使得初始权值和阀值随机性足够好，可以多次随机来实现。
2）训练次数多使得学习效率低，收敛速度慢。
3）隐含层的选取缺乏理论的指导。
4）训练时学习新样本有遗忘旧样本的趋势。(可以把最优的权重记录下来)