c语言人工神经网络代码_C#语言

C语言实现的人工神经网络代码：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <time.h>
#define INPUT_NEURONS 3
#define HIDDEN_NEURONS 4
#define OUTPUT_NEURONS 2
#define LEARNING_RATE 0.5
#define EPOCHS 10000
double sigmoid(double x) {
    return 1.0 / (1.0 + exp(x));
}
double sigmoid_derivative(double x) {
    double sigmoid_value = sigmoid(x);
    return sigmoid_value * (1 sigmoid_value);
}
void train(double input[], double target[]) {
    static double weights_ih[INPUT_NEURONS][HIDDEN_NEURONS];
    static double weights_ho[HIDDEN_NEURONS][OUTPUT_NEURONS];
    static double hidden[HIDDEN_NEURONS];
    static double output[OUTPUT_NEURONS];
    for (int i = 0; i < INPUT_NEURONS; i++) {
        for (int j = 0; j < HIDDEN_NEURONS; j++) {
            hidden[j] += input[i] * weights_ih[i][j];
        }
    }
    for (int j = 0; j < HIDDEN_NEURONS; j++) {
        hidden[j] = sigmoid(hidden[j]);
    }
    for (int j = 0; j < HIDDEN_NEURONS; j++) {
        for (int k = 0; k < OUTPUT_NEURONS; k++) {
            output[k] += hidden[j] * weights_ho[j][k];
        }
    }
    for (int k = 0; k < OUTPUT_NEURONS; k++) {
        output[k] = sigmoid(output[k]);
    }
    double output_error[OUTPUT_NEURONS];
    for (int k = 0; k < OUTPUT_NEURONS; k++) {
        output_error[k] = target[k] output[k];
    }
    double hidden_error[HIDDEN_NEURONS];
    for (int j = 0; j < HIDDEN_NEURONS; j++) {
        hidden_error[j] = 0;
        for (int k = 0; k < OUTPUT_NEURONS; k++) {
            hidden_error[j] += output_error[k] * weights_ho[j][k];
        }
        hidden_error[j] *= sigmoid_derivative(hidden[j]);
    }
    for (int j = 0; j < HIDDEN_NEURONS; j++) {
        for (int i = 0; i < INPUT_NEURONS; i++) {
            weights_ih[i][j] += LEARNING_RATE * hidden_error[j] * input[i];
        }
    }
    for (int j = 0; j < HIDDEN_NEURONS; j++) {
        for (int k = 0; k < OUTPUT_NEURONS; k++) {
            weights_ho[j][k] += LEARNING_RATE * output_error[k] * hidden[j];
        }
    }
}
int main() {
    srand(time(NULL));
    double input[INPUT_NEURONS];
    double target[OUTPUT_NEURONS];
    for (int i = 0; i < EPOCHS; i++) {
        for (int j = 0; j < INPUT_NEURONS; j++) {
            input[j] = (double)rand() / RAND_MAX;
        }
        for (int k = 0; k < OUTPUT_NEURONS; k++) {
            target[k] = (double)rand() / RAND_MAX;
        }
        train(input, target);
    }
    return 0;
}

【C#语言实现人工神经网络代码】：

using System;
using System.Linq;
using Accord.Neuro;
using Accord.Neuro.Learning;
using Accord.Statistics.Distributions.Univariate;
using Accord.Math;
namespace ArtificialNeuralNetwork
{
    class Program
    {
        static void Main(string[] args)
        {
            // 创建神经网络，3个输入神经元，4个隐藏神经元，2个输出神经元
            ActivationNetwork network = new ActivationNetwork(new SigmoidFunction(), 3, 4, 2);
            // 使用反向传播学习算法
            BackPropagationLearning teacher = new BackPropagationLearning(network);
            // 训练数据
            double[][] inputs =
            {
                new double[] { 0, 0, 1 }, // 输入数据
                new double[] { 1, 1, 1 },
                new double[] { 1, 0, 1 },
                new double[] { 0, 1, 1 }
            };
            // 目标输出数据
            double[][] outputs =
            {
                new double[] { 0, 0 }, // 期望输出数据
                new double[] { 0, 1 },
                new double[] { 1, 1 },
                new double[] { 1, 0 }
            };
            // 训练神经网络
            double error = teacher.Run(inputs, outputs);
            // 测试神经网络
            double[] testInput = new double[] { 1, 1, 0 }; // 测试输入数据
            double[] testOutput = network.Compute(testInput).ToArray(); // 计算输出数据
            Console.WriteLine("Test input: " + string.Join(", ", testInput));
            Console.WriteLine("Test output: " + string.Join(", ", testOutput));
        }
    }
}

FAQs：

Q1: C语言和C#语言实现的人工神经网络有什么区别？

A1: C语言实现的人工神经网络是从头开始编写的，而C#语言实现的人工神经网络使用了Accord.NET库，这是一个开源的机器学习库，提供了许多预先实现的神经网络功能，C#语言实现的代码更简洁，易于理解。

Q2: 如何使用这些代码进行实际的预测任务？

A2: 需要根据实际问题调整神经网络的结构，例如输入、隐藏和输出神经元的数量，使用训练数据集对神经网络进行训练，使用训练好的神经网络对新的输入数据进行预测，注意，这些代码仅作为示例，实际应用中可能需要调整参数和结构以获得更好的预测效果。