C++实现简单BP神经网络

下面是关于C++实现简单BP神经网络的攻略，包含两个示例说明。

示例1：定义BP神经网络类

以下是一个定义BP神经网络类的示例：

#include <iostream>
#include <vector>
#include <cmath>

using namespace std;

class BPNeuralNetwork {
public:
    BPNeuralNetwork(int inputSize, int hiddenSize, int outputSize, double learningRate);
    void train(vector<vector<double>> inputs, vector<vector<double>> targets, int epochs);
    vector<double> predict(vector<double> input);

private:
    int inputSize;
    int hiddenSize;
    int outputSize;
    double learningRate;
    vector<vector<double>> inputWeights;
    vector<double> hiddenBiases;
    vector<vector<double>> hiddenWeights;
    vector<double> outputBiases;
    vector<double> sigmoid(vector<double> x);
    vector<double> sigmoidDerivative(vector<double> x);
};

BPNeuralNetwork::BPNeuralNetwork(int inputSize, int hiddenSize, int outputSize, double learningRate) {
    this->inputSize = inputSize;
    this->hiddenSize = hiddenSize;
    this->outputSize = outputSize;
    this->learningRate = learningRate;

    // 初始化权重和偏置
    inputWeights.resize(inputSize);
    for (int i = 0; i < inputSize; i++) {
        inputWeights[i].resize(hiddenSize);
        for (int j = 0; j < hiddenSize; j++) {
            inputWeights[i][j] = ((double)rand() / RAND_MAX) - 0.5;
        }
    }

    hiddenBiases.resize(hiddenSize);
    for (int i = 0; i < hiddenSize; i++) {
        hiddenBiases[i] = ((double)rand() / RAND_MAX) - 0.5;
    }

    hiddenWeights.resize(hiddenSize);
    for (int i = 0; i < hiddenSize; i++) {
        hiddenWeights[i].resize(outputSize);
        for (int j = 0; j < outputSize; j++) {
            hiddenWeights[i][j] = ((double)rand() / RAND_MAX) - 0.5;
        }
    }

    outputBiases.resize(outputSize);
    for (int i = 0; i < outputSize; i++) {
        outputBiases[i] = ((double)rand() / RAND_MAX) - 0.5;
    }
}

vector<double> BPNeuralNetwork::sigmoid(vector<double> x) {
    vector<double> result(x.size());
    for (int i = 0; i < x.size(); i++) {
        result[i] = 1.0 / (1.0 + exp(-x[i]));
    }
    return result;
}

vector<double> BPNeuralNetwork::sigmoidDerivative(vector<double> x) {
    vector<double> result(x.size());
    for (int i = 0; i < x.size(); i++) {
        result[i] = x[i] * (1.0 - x[i]);
    }
    return result;
}

在这个示例中，我们定义了一个BP神经网络类BPNeuralNetwork，包含了构造函数、训练函数和预测函数。在构造函数中，我们初始化了权重和偏置。在sigmoid()函数中，我们实现了sigmoid激活函数。在sigmoidDerivative()函数中，我们实现了sigmoid函数的导数。

示例2：使用BP神经网络进行二分类预测

以下是一个使用BP神经网络进行二分类预测的示例：

#include <iostream>
#include <vector>
#include "BPNeuralNetwork.h"

using namespace std;

int main() {
    // 定义训练数据和目标数据
    vector<vector<double>> inputs = {{0, 0}, {0, 1}, {1, 0}, {1, 1}};
    vector<vector<double>> targets = {{0}, {1}, {1}, {0}};

    // 定义BP神经网络
    BPNeuralNetwork nn(2, 4, 1, 0.1);

    // 训练BP神经网络
    nn.train(inputs, targets, 10000);

    // 预测数据
    vector<double> input1 = {0, 0};
    vector<double> input2 = {0, 1};
    vector<double> input3 = {1, 0};
    vector<double> input4 = {1, 1};
    cout << nn.predict(input1)[0] << endl;
    cout << nn.predict(input2)[0] << endl;
    cout << nn.predict(input3)[0] << endl;
    cout << nn.predict(input4)[0] << endl;

    return 0;
}

在这个示例中，我们首先定义了训练数据和目标数据。然后，我们使用BPNeuralNetwork类定义了一个BP神经网络，并使用train()函数对神经网络进行训练。最后，我们使用predict()函数对数据进行预测，并输出预测结果。

总结

在这个攻略中，我们介绍了如何使用C++实现简单BP神经网络，并使用训练好的神经网络进行二分类预测。在实现BP神经网络时，我们定义了一个BPNeuralNetwork类，包含了构造函数、训练函数和预测函数。在使用BP神经网络进行预测时，我们首先定义了训练数据和目标数据，然后使用BPNeuralNetwork类定义了一个BP神经网络，并使用train()函数对神经网络进行训练，最后使用predict()函数对数据进行预测，并输出预测结果。在实际应用中，我们可以根据具体的需求选择合适的神经网络和方法，以获得更好的预测效果。