本文实例讲述了Python实现的递归神经网络。分享给大家供大家参考，具体如下：

# Recurrent Neural Networks
import copy, numpy as np
np.random.seed(0)
# compute sigmoid nonlinearity
def sigmoid(x):
  output = 1/(1+np.exp(-x))
  return output
# convert output of sigmoid function to its derivative
def sigmoid_output_to_derivative(output):
  return output*(1-output)
# training dataset generation
int2binary = {}
binary_dim = 8
largest_number = pow(2,binary_dim)
binary = np.unpackbits(
  np.array([range(largest_number)],dtype=np.uint8).T,axis=1)
for i in range(largest_number):
  int2binary[i] = binary[i]
# input variables
alpha = 0.1
input_dim = 2
hidden_dim = 16
output_dim = 1
# initialize neural network weights
synapse_0 = 2*np.random.random((input_dim,hidden_dim)) - 1
synapse_1 = 2*np.random.random((hidden_dim,output_dim)) - 1
synapse_h = 2*np.random.random((hidden_dim,hidden_dim)) - 1
synapse_0_update = np.zeros_like(synapse_0)
synapse_1_update = np.zeros_like(synapse_1)
synapse_h_update = np.zeros_like(synapse_h)
# training logic
for j in range(10000):
  # generate a simple addition problem (a + b = c)
  a_int = np.random.randint(largest_number/2) # int version
  a = int2binary[a_int] # binary encoding
  b_int = np.random.randint(largest_number/2) # int version
  b = int2binary[b_int] # binary encoding
  # true answer
  c_int = a_int + b_int
  c = int2binary[c_int]
  # where we'll store our best guess (binary encoded)
  d = np.zeros_like(c)
  overallError = 0
  layer_2_deltas = list()
  layer_1_values = list()
  layer_1_values.append(np.zeros(hidden_dim))
  # moving along the positions in the binary encoding
  for position in range(binary_dim):
    # generate input and output
    X = np.array([[a[binary_dim - position - 1],b[binary_dim - position - 1]]])
    y = np.array([[c[binary_dim - position - 1]]]).T
    # hidden layer (input ~+ prev_hidden)
    layer_1 = sigmoid(np.dot(X,synapse_0) + np.dot(layer_1_values[-1],synapse_h))
    # output layer (new binary representation)
    layer_2 = sigmoid(np.dot(layer_1,synapse_1))
    # did we miss?... if so, by how much?
    layer_2_error = y - layer_2
    layer_2_deltas.append((layer_2_error)*sigmoid_output_to_derivative(layer_2))
    overallError += np.abs(layer_2_error[0])
    # decode estimate so we can print(it out)
    d[binary_dim - position - 1] = np.round(layer_2[0][0])
    # store hidden layer so we can use it in the next timestep
    layer_1_values.append(copy.deepcopy(layer_1))
  future_layer_1_delta = np.zeros(hidden_dim)
  for position in range(binary_dim):
    X = np.array([[a[position],b[position]]])
    layer_1 = layer_1_values[-position-1]
    prev_layer_1 = layer_1_values[-position-2]
    # error at output layer
    layer_2_delta = layer_2_deltas[-position-1]
    # error at hidden layer
    layer_1_delta = (future_layer_1_delta.dot(synapse_h.T) + layer_2_delta.dot(synapse_1.T)) * sigmoid_output_to_derivative(layer_1)
    # let's update all our weights so we can try again
    synapse_1_update += np.atleast_2d(layer_1).T.dot(layer_2_delta)
    synapse_h_update += np.atleast_2d(prev_layer_1).T.dot(layer_1_delta)
    synapse_0_update += X.T.dot(layer_1_delta)
    future_layer_1_delta = layer_1_delta
  synapse_0 += synapse_0_update * alpha
  synapse_1 += synapse_1_update * alpha
  synapse_h += synapse_h_update * alpha
  synapse_0_update *= 0
  synapse_1_update *= 0
  synapse_h_update *= 0
  # print(out progress)
  if j % 1000 == 0:
    print("Error:" + str(overallError))
    print("Pred:" + str(d))
    print("True:" + str(c))
    out = 0
    for index,x in enumerate(reversed(d)):
      out += x*pow(2,index)
    print(str(a_int) + " + " + str(b_int) + " = " + str(out))
    print("------------")

运行输出：

Error:[ 3.45638663]
Pred:[0 0 0 0 0 0 0 1]
True:[0 1 0 0 0 1 0 1]
9 + 60 = 1
------------
Error:[ 3.63389116]
Pred:[1 1 1 1 1 1 1 1]
True:[0 0 1 1 1 1 1 1]
28 + 35 = 255
------------
Error:[ 3.91366595]
Pred:[0 1 0 0 1 0 0 0]
True:[1 0 1 0 0 0 0 0]
116 + 44 = 72
------------
Error:[ 3.72191702]
Pred:[1 1 0 1 1 1 1 1]
True:[0 1 0 0 1 1 0 1]
4 + 73 = 223
------------
Error:[ 3.5852713]
Pred:[0 0 0 0 1 0 0 0]
True:[0 1 0 1 0 0 1 0]
71 + 11 = 8
------------
Error:[ 2.53352328]
Pred:[1 0 1 0 0 0 1 0]
True:[1 1 0 0 0 0 1 0]
81 + 113 = 162
------------
Error:[ 0.57691441]
Pred:[0 1 0 1 0 0 0 1]
True:[0 1 0 1 0 0 0 1]
81 + 0 = 81
------------
Error:[ 1.42589952]
Pred:[1 0 0 0 0 0 0 1]
True:[1 0 0 0 0 0 0 1]
4 + 125 = 129
------------
Error:[ 0.47477457]
Pred:[0 0 1 1 1 0 0 0]
True:[0 0 1 1 1 0 0 0]
39 + 17 = 56
------------
Error:[ 0.21595037]
Pred:[0 0 0 0 1 1 1 0]
True:[0 0 0 0 1 1 1 0]
11 + 3 = 14
------------

英文原文：https://iamtrask.github.io/2015/11/15/anyone-can-code-lstm/

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。

# Python  # 递归  # 神经网络  # 神经网络(BP)算法Python实现及应用  # Python实现的三层BP神经网络算法示例  # Python编程实现的简单神经网络算法示例  # python构建深度神经网络（DNN）  # Python与人工神经网络:使用神经网络识别手写图像介绍  # TensorFlow平台下Python实现神经网络  # Python利用逻辑回归模型解决MNIST手写数字识别问题详解  # 详解python实现识别手写MNIST数字集的程序  # python读取二进制mnist实例详解  # python MNIST手写识别数据调用API的方法  # Python tensorflow实现mnist手写数字识别示例【非卷积与卷积实现】  # Python利用全连接神经网络求解MNIST问题详解  # 进阶  # 操作技巧  # 相关内容  # 感兴趣  # 数据结构  # 英文  # 给大家  # 更多关于  # 所述  # 程序设计  # 使用技巧  # 讲述了  # neural  # network  # output_dim  # initialize  # weights  # synapse_h  # synapse_0_update 

相关栏目： 【 网站优化151355 】 【 网络推广146373 】 【 网络技术251813 】 【 AI营销90571 】

相关推荐： java获取注册ip实例  Laravel怎么处理异常_Laravel自定义异常处理与错误页面教程  如何用手机制作网站和网页,手机移动端的网站能制作成中英双语的吗？  ,交易猫的商品怎么发布到网站上去？  javascript基本数据类型及类型检测常用方法小结  javascript中对象的定义、使用以及对象和原型链操作小结  Laravel如何使用Service Container和依赖注入？（代码示例）  如何在腾讯云服务器上快速搭建个人网站？  Laravel怎么使用Session存储数据_Laravel会话管理与自定义驱动配置【详解】  如何在IIS7中新建站点？详细步骤解析  Laravel DB事务怎么使用_Laravel数据库事务回滚操作  Python自动化办公教程_ExcelWordPDF批量处理案例  智能起名网站制作软件有哪些,制作logo的软件？  大学网站设计制作软件有哪些,如何将网站制作成自己app？  如何解决hover在ie6中的兼容性问题  黑客如何通过漏洞一步步攻陷网站服务器？  香港网站服务器数量如何影响SEO优化效果？  Laravel队列由Redis驱动怎么配置_Laravel Redis队列使用教程  详解Android图表 MPAndroidChart折线图  如何快速完成中国万网建站详细流程？  laravel怎么使用数据库工厂（Factory）生成带有关联模型的数据_laravel Factory生成关联数据方法  高防网站服务器：DDoS防御与BGP线路的AI智能防护方案  HTML 中如何正确使用模板变量为元素的 name 属性赋值  浅析上传头像示例及其注意事项  Laravel Eloquent模型如何创建_Laravel ORM基础之Model创建与使用教程  Laravel如何配置Horizon来管理队列？（安装和使用）  Laravel如何使用查询构建器？（Query Builder高级用法）  百度输入法ai组件怎么删除 百度输入法ai组件移除工具  android nfc常用标签读取总结  如何在阿里云虚拟服务器快速搭建网站？  如何使用 jQuery 正确渲染 Instagram 风格的标签列表  Android仿QQ列表左滑删除操作  node.js报错：Cannot find module 'ejs'的解决办法  如何用ChatGPT准备面试 模拟面试问答与职场话术练习教程  中山网站制作网页,中山新生登记系统登记流程？  laravel怎么通过契约（Contracts）编程_laravel契约（Contracts）编程方法  Python文件异常处理策略_健壮性说明【指导】  Laravel Eloquent访问器与修改器是什么_Laravel Accessors & Mutators数据处理技巧  Laravel如何使用.env文件管理环境变量？（最佳实践）  LinuxShell函数封装方法_脚本复用设计思路【教程】  音乐网站服务器如何优化API响应速度？  Win11怎么设置虚拟桌面 Win11新建多桌面切换操作【技巧】  网站优化排名时，需要考虑哪些问题呢？  Laravel 419 page expired怎么解决_Laravel CSRF令牌过期处理  香港服务器建站指南：免备案优势与SEO优化技巧全解析  如何在建站之星网店版论坛获取技术支持？  如何快速登录WAP自助建站平台？  晋江文学城电脑版官网 晋江文学城网页版直接进入  韩国服务器如何优化跨境访问实现高效连接？  网站制作壁纸教程视频,电脑壁纸网站？