用原生Python训练了一个BP网络，适合没有pytorch等环境的电脑，并用训练的模型对原始数据进行了预测，拿来估测比较误差值了，可以直接拿去用（需根据个人数据来调训练次数、学习效率），代码在文章末。
1.随机生成1000条种子数据，用于示例
2.运行BP深度学习代码，训练结果如下：
预测值与真实值进行绘图对比：
误差计算：
均方误差 (MSE): 21414.6402
平均绝对误差 (MAE): 120.8660
python
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
import matplotlib.pyplot as plt # 引入matplotlib用于画图
# 激活函数：ReLU 和 ReLU 的导数
def relu(x):
return np.maximum(0, x)
def relu_derivative(x):
return np.where(x > 0, 1, 0)
# 数据读取函数
def load_data(file_path):
data = pd.read_excel(file_path) # 使用pandas读取Excel文件
return data
# 数据预处理函数（归一化）
def preprocess_data(data):
scaler = MinMaxScaler()
return scaler.fit_transform(data)
# BP神经网络训练函数
def train_bp_network(X, y, input_size, hidden_size, output_size, epochs=10000, learning_rate=0.0000000009):
# 初始化权重
np.random.seed(42)
W1 = np.random.rand(input_size, hidden_size) # 输入层到隐藏层的权重
W2 = np.random.rand(hidden_size, output_size) # 隐藏层到输出层的权重
b1 = np.zeros((1, hidden_size)) # 隐藏层的偏置
b2 = np.zeros((1, output_size)) # 输出层的偏置
# 训练过程
for epoch in range(epochs):
# 前向传播
Z1 = np.dot(X, W1) + b1
A1 = relu(Z1) # 使用 ReLU 激活函数
Z2 = np.dot(A1, W2) + b2
A2 = Z2 # 回归任务的输出层通常不使用激活函数
# 计算误差
error = A2 - y
# 反向传播
dA2 = error
dZ2 = dA2 # 回归问题，输出层不需要对激活函数求导
dW2 = np.dot(A1.T, dZ2)
db2 = np.sum(dZ2, axis=0, keepdims=True)
dA1 = np.dot(dZ2, W2.T)
dZ1 = dA1 * relu_derivative(A1) # ReLU 的导数
dW1 = np.dot(X.T, dZ1)
db1 = np.sum(dZ1, axis=0, keepdims=True)
# 更新权重和偏置
W1 -= learning_rate * dW1
W2 -= learning_rate * dW2
b1 -= learning_rate * db1
b2 -= learning_rate * db2
# 每100次输出一次误差
if epoch % 100 == 0:
loss = np.mean(np.square(error))
print(f"Epoch {epoch}, Loss: {loss:.4f}")
return W1, W2, b1, b2
# 预测函数
def predict(X, W1, W2, b1, b2):
Z1 = np.dot(X, W1) + b1
A1 = relu(Z1)
Z2 = np.dot(A1, W2) + b2
return Z2
# 主函数
def main():
# 1. 从Excel文件中读取数据
data = load_data(r'C:\Users\giggle\Desktop\bp\igcsv.xlsx') # 请根据实际文件路径修改
# 假设数据的最后一列是目标变量y，前面的列是输入特征X
X = data.iloc[:, :-1].values # 输入特征
y = data.iloc[:, -1].values # 目标变量（回归目标）
# 2. 数据归一化
X_scaled = preprocess_data(X)
y_scaled = y.reshape(-1, 1) # 目标变量也需要转为列向量
# 3. 定义神经网络的结构
input_size = X_scaled.shape[1] # 输入层的节点数
hidden_size = 10 # 隐藏层的节点数，可以根据需求调整
output_size = 1 # 输出层的节点数
# 4. 训练BP神经网络
W1, W2, b1, b2 = train_bp_network(X_scaled, y_scaled, input_size, hidden_size, output_size)
'''
# 6. 预测前十行数据的结果
print("预测结果：")
print(predictions[:26]) # 打印前10个预测结果
'''
# . 打印权重和偏置
print("\n神经网络的训练参数：")
print("W1 (输入层到隐藏层的权重):")
print(W1)
print("\nW2 (隐藏层到输出层的权重):")
print(W2)
print("\nb1 (隐藏层的偏置):")
print(b1)
print("\nb2 (输出层的偏置):")
print(b2)
# 5. 使用训练好的模型进行预测
predictions = predict(X_scaled, W1, W2, b1, b2)
# 6. 打印所有预测结果与真实值（格式化输出）
print("\n预测结果与真实值对比：")
print(f"{'Index':<10}{'Predicted':<15}{'True Value':<15}")
for i in range(len(y)):
print(f"{i+1:<10}{predictions[i][0]:<15.4f}{y[i]:<15.4f}")
# 7. 计算并打印误差（均方误差 MSE 和 平均绝对误差 MAE）
mse = mean_squared_error(y_scaled[:26], predictions[:26]) # 计算 MSE
mae = mean_absolute_error(y_scaled[:26], predictions[:26]) # 计算 MAE
'''
print("\n真实目标值：")
print(y[:26]) # 打印前10个真实目标值
'''
plt.figure(figsize=(10, 6))
plt.plot(range(len(y)), y, label="True Value", color='blue', marker='o')
plt.plot(range(len(y)), predictions, label="Predicted Value", color='red', marker='x')
plt.xlabel("Sample Index")
plt.ylabel("Value")
plt.title("True vs Predicted Values")
plt.legend()
plt.grid(True)
plt.show()
print("\n误差计算：")
print(f"均方误差 (MSE): {mse:.4f}")
print(f"平均绝对误差 (MAE): {mae:.4f}")
if __name__ == "__main__":
main()希望这些能对大家有所帮助。如果你觉得这篇文章有价值，请在转载时注明来源，感谢支持！
本次分享就到这里，感谢大家的阅读！